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

• Weighted Diversified Sampling for Efficient Data-Driven Single-Cell Gene-Gene Interaction Discovery [56.622854875204645]
  本稿では,遺伝子・遺伝子相互作用の探索に先進的なトランスフォーマーモデルを活用する,データ駆動型計算ツールを活用した革新的なアプローチを提案する。 新たな重み付き多様化サンプリングアルゴリズムは、データセットのたった2パスで、各データサンプルの多様性スコアを算出する。
  論文  参考訳（メタデータ） (2024-10-21T03:35:23Z)
• Generative Principal Component Regression via Variational Inference [2.4415762506639944]
  適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。 我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。 シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
  論文  参考訳（メタデータ） (2024-09-03T22:38:55Z)
• 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)
• 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)
• Predicting Cellular Responses with Variational Causal Inference and Refined Relational Information [13.106564921658089]
  そこで本稿では,非現実的摂動下での細胞の遺伝子発現を予測するために,ベイズ因果推論フレームワークを提案する。 我々は、遺伝子制御ネットワークの形で生物学的知識を表す情報を活用して、個別化された細胞応答予測を支援する。
  論文  参考訳（メタデータ） (2022-09-30T22:13:57Z)
• A generative recommender system with GMM prior for cancer drug generation and sensitivity prediction [1.0128447823756244]
  本稿では,変分オートエンコーダを用いた薬物効率評価推薦システムであるVADEERSについて述べる。 化合物の生成は、半教師付きガウス混合モデル(GMM)による新しい変分オートエンコーダによって実行される。 VADEERSは、薬物と細胞株の性質とそれらの関係の包括的モデルを提供し、新規化合物を誘導する。
  論文  参考訳（メタデータ） (2022-06-07T20:13:03Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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)
• Reducing complexity and unidentifiability when modelling human atrial cells [0.0]
  パラメータ推定に隠された不確実性は, 校正から実験データへの理解が不可欠である。 本研究では、ベイズ近似計算を用いて、既存の2つのヒト心房細胞モデルにおける4つのイオンチャネルのゲーティング速度を補正する。
  論文  参考訳（メタデータ） (2020-01-29T16:57:07Z)

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。