論文の概要: Towards generalization of drug response prediction to single cells and patients utilizing importance-aware multi-source domain transfer learning
- arxiv url: http://arxiv.org/abs/2403.05260v2
- Date: Tue, 07 Jan 2025 00:53:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:47:40.649033
- Title: Towards generalization of drug response prediction to single cells and patients utilizing importance-aware multi-source domain transfer learning
- Title（参考訳）: 重要なマルチソースドメイン転送学習を活用した単一細胞および患者に対する薬物応答予測の一般化に向けて
- Authors: Hui Liu, Wei Duan, Judong Luo,
- Abstract要約: scAdaDrugは、適応型重要度認識表現学習を利用した、新しいマルチソースドメイン適応モデルである。
本モデルは,複数の独立データセット上での薬物応答の予測において,最先端の性能を達成した。
- 参考スコア（独自算出の注目度）: 6.810949980810495
- License:
- Abstract: The advancement of single-cell sequencing technology has promoted the generation of a large amount of single-cell transcriptional profiles, providing unprecedented opportunities to identify drug-resistant cell subpopulations within a tumor. However, few studies have focused on drug response prediction at single-cell level, and their performance remains suboptimal. This paper proposed scAdaDrug, a novel multi-source domain adaptation model powered by adaptive importance-aware representation learning to predict drug response of individual cells. We used a shared encoder to extract domain-invariant features related to drug response from multiple source domains by utilizing adversarial domain adaptation. Particularly, we introduced a plug-and-play module to generate importance-aware and mutually independent weights, which could adaptively modulate the latent representation of each sample in element-wise manner between source and target domains. Extensive experimental results showed that our model achieved state-of-the-art performance in predicting drug response on multiple independent datasets, including single-cell datasets derived from both cell lines and patient-derived xenografts (PDX) models, as well as clinical tumor patient cohorts. Moreover, the ablation experiments demonstrated our model effectively captured the underlying patterns determining drug response from multiple source domains.
- Abstract（参考訳）: シングルセルシークエンシング技術の進歩により、大量のシングルセル転写プロファイルの生成が促進され、腫瘍内の薬剤耐性細胞亜集団を識別する前例のない機会となった。
しかし、シングルセルレベルでの薬物反応予測に焦点をあてた研究はほとんどなく、その性能は依然として準最適である。
適応的重要度認識表現学習を応用し,個々の細胞の薬物応答を予測する新しいマルチソースドメイン適応モデルである scAdaDrug を提案する。
共用エンコーダを用いて、逆境領域適応を利用して、複数のソースドメインから薬物応答に関連するドメイン不変の特徴を抽出した。
特に,各サンプルの潜伏表現を,ソースドメインとターゲットドメイン間の要素ワイドで適応的に調節できる,重み付けと相互独立な重み付けを生成するプラグイン・アンド・プレイ・モジュールを導入した。
実験結果より, 細胞株および患者由来Xenografts(PDX)モデル由来の単細胞データセット, 臨床腫瘍患者コホートなど, 複数の独立したデータセット上での薬物応答の予測において, 最先端のパフォーマンスが得られた。
さらに, アブレーション実験により, 複数のソースドメインから薬物応答を決定するパターンを効果的に捉えた。
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。