Fugu-MT 論文翻訳(概要): Predicting Single-cell Drug Sensitivity by Adaptive Weighted Feature for Adversarial Multi-source Domain Adaptation

論文の概要: Predicting Single-cell Drug Sensitivity by Adaptive Weighted Feature for Adversarial Multi-source Domain Adaptation

arxiv url: http://arxiv.org/abs/2403.05260v1
Date: Fri, 8 Mar 2024 12:31:03 GMT
ステータス: 処理完了
システム内更新日: 2024-03-11 19:58:03.957106
Title: Predicting Single-cell Drug Sensitivity by Adaptive Weighted Feature for Adversarial Multi-source Domain Adaptation
Title（参考訳）: 適応型重み付け特徴量による単細胞薬剤感受性の予測
Authors: Wei Duan, Hui Liu
Abstract要約: scAdaDrugはシングルセル薬物感受性を予測するマルチソース適応重み付けモデルである。本モデルでは, 肝細胞, 細胞株, 患者データセットに対する薬剤感受性の予測において, 最先端の性能を達成した。
参考スコア（独自算出の注目度）: 9.043161950476055
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The development of single-cell sequencing technology had promoted the generation of a large amount of single-cell transcriptional profiles, providing valuable opportunities to explore drug-resistant cell subpopulations in a tumor. However, the drug sensitivity data in single-cell level is still scarce to date, pressing an urgent and highly challenging task for computational prediction of the drug sensitivity to individual cells. This paper proposed scAdaDrug, a multi-source adaptive weighting model to predict single-cell drug sensitivity. We used an autoencoder to extract domain-invariant features related to drug sensitivity from multiple source domains by exploiting adversarial domain adaptation. Especially, we introduced an adaptive weight generator to produce importance-aware and mutual independent weights, which could adaptively modulate the embedding of each sample in dimension-level for both source and target domains. Extensive experimental results showed that our model achieved state-of-the-art performance in predicting drug sensitivity on sinle-cell datasets, as well as on cell line and patient datasets.
Abstract（参考訳）: シングルセルシークエンシング技術の発展は、大量のシングルセル転写プロファイルの生成を促進し、腫瘍内の薬剤耐性細胞サブ集団を探索する貴重な機会となった。しかし, 単一細胞レベルでの薬剤感受性データはいまだに乏しく, 個々の細胞に対する薬剤感受性の予測に緊急かつ極めて困難な課題が迫られている。本稿では,シングルセル薬物感受性を予測するマルチソース適応重み付けモデルである scAdaDrug を提案する。自動エンコーダを用いて, 薬物感受性に関連する領域不変な特徴を複数のソースドメインから抽出し, 逆領域適応を活用した。特に,各試料の埋め込みを,ソースドメインとターゲットドメインの両方の次元レベルで適応的に調整できる,重み付けと相互独立重み付けを行う適応重み生成装置を提案する。広範な実験結果から,sinle-cellデータセットおよび細胞線および患者データセット上での薬剤感受性予測において,最先端の性能が得られた。

関連論文リスト

Generalize Drug Response Prediction by Latent Independent Projection for Asymmetric Constrained Domain Generalization [11.649397977546435]
本稿では,この課題に対処する新しいドメイン一般化フレームワークであるpanCancerDRを提案する。本研究は,癌細胞株をドメイン特異的な試料として,各がんタイプを異なるソースドメインとして概念化する。実験により,PanCancerDRは多様なソースドメインからタスク関連機能を効果的に学習できることが実証された。
論文参考訳（メタデータ） (2025-02-06T12:53:45Z)
Efficient Fine-Tuning of Single-Cell Foundation Models Enables Zero-Shot Molecular Perturbation Prediction [0.6501158610800594]
本研究では,数千万の単細胞上で事前学習した単一細胞基盤モデル(FM)を利用する。本稿では,基礎モデルの1%未満のトレーニングにより,効率的な微調整を可能にする薬物調和アダプタを提案する。
論文参考訳（メタデータ） (2024-12-18T03:42:20Z)
Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文参考訳（メタデータ） (2024-07-16T14:05:03Z)
Causal Inference for Genomic Data with Multiple Heterogeneous Outcomes [1.5845117761091052]
複数の導出結果を持つ2つのロバストな推定のための一般的な半パラメトリックフレームワークを提案する。分析を標準化された平均処理効果と量子処理効果に専門化する。
論文参考訳（メタデータ） (2024-04-14T02:07:14Z)
Regression-Based Analysis of Multimodal Single-Cell Data Integration Strategies [0.0]
マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
論文参考訳（メタデータ） (2023-11-21T16:31:27Z)
Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
論文参考訳（メタデータ） (2023-07-23T03:53:53Z)
Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-04-10T17:58:22Z)
Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文参考訳（メタデータ） (2022-11-07T15:47:40Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。