論文の概要: Multicell-Fold: geometric learning in folding multicellular life
- arxiv url: http://arxiv.org/abs/2407.07055v1
- Date: Tue, 9 Jul 2024 17:21:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-10 17:07:48.265998
- Title: Multicell-Fold: geometric learning in folding multicellular life
- Title（参考訳）: マルチセルフォールド:折りたたみ多細胞生物における幾何学的学習
- Authors: Haiqian Yang, Anh Q. Nguyen, Dapeng Bi, Markus J. Buehler, Ming Guo,
- Abstract要約: 細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。
マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。
我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
- 参考スコア（独自算出の注目度）: 0.34952465649465553
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: During developmental processes such as embryogenesis, how a group of cells fold into specific structures, is a central question in biology that defines how living organisms form. Establishing tissue-level morphology critically relies on how every single cell decides to position itself relative to its neighboring cells. Despite its importance, it remains a major challenge to understand and predict the behavior of every cell within the living tissue over time during such intricate processes. To tackle this question, we propose a geometric deep learning model that can predict multicellular folding and embryogenesis, accurately capturing the highly convoluted spatial interactions among cells. We demonstrate that multicellular data can be represented with both granular and foam-like physical pictures through a unified graph data structure, considering both cellular interactions and cell junction networks. We successfully use our model to achieve two important tasks, interpretable 4-D morphological sequence alignment, and predicting local cell rearrangements before they occur at single-cell resolution. Furthermore, using an activation map and ablation studies, we demonstrate that cell geometries and cell junction networks together regulate local cell rearrangement which is critical for embryo morphogenesis. This approach provides a novel paradigm to study morphogenesis, highlighting a unified data structure and harnessing the power of geometric deep learning to accurately model the mechanisms and behaviors of cells during development. It offers a pathway toward creating a unified dynamic morphological atlas for a variety of developmental processes such as embryogenesis.
- Abstract（参考訳）: 胚発生のような発生過程において、細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。
組織レベルの形態の確立は、各細胞が隣の細胞に対してどのように位置を決定するかに批判的に依存する。
その重要性にもかかわらず、このような複雑なプロセスの間、生体組織内の全ての細胞の振る舞いを理解し、予測することは依然として大きな課題である。
そこで本研究では,多細胞間の空間的相互作用を正確に把握し,多細胞の折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。
本研究では, セル間相互作用とセル接合ネットワークの両面を考慮し, グラフデータ構造を統一することで, 粒状および発泡状の物理画像でマルチセルデータを表現できることを実証した。
我々は,このモデルを用いて4次元形態素配列アライメントを解釈し,単一セル分解能で発生する前に局所的な再配列を予測するという,2つの重要なタスクを達成した。
さらに,活性化マップとアブレーション研究を用いて,細胞の形態形成に重要な局所的な細胞再配列を制御できることを実証した。
このアプローチは、形態形成を研究するための新しいパラダイムを提供し、統一されたデータ構造を強調し、幾何学的深層学習の力を利用して、発達中の細胞のメカニズムや振る舞いを正確にモデル化する。
これは、胚発生のような様々な発達過程のための統一された動的形態素アトラスを作るための経路を提供する。
関連論文リスト
- Engineering morphogenesis of cell clusters with differentiable programming [2.0690546196799042]
我々は,発達モデルにおいて,創発的,システムレベルの特性をもたらす局所的相互作用規則と遺伝的ネットワークを発見する。
複雑な発達シナリオにおいて,細胞間相互作用と遺伝的ネットワークのパラメータを同時に学習できることが示される。
論文 参考訳（メタデータ） (2024-07-08T18:05:11Z) - Learning Dynamics from Multicellular Graphs with Deep Neural Networks [7.263827692589625]
グラフニューラルネットワーク (GNN) を用いて, セル位置の静的スナップショットから, 多細胞集団の動きを推定できることを示す。
論文 参考訳（メタデータ） (2024-01-22T18:36:29Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - Real-time Evolution of Multicellularity with Artificial Gene Regulation [0.0]
本稿では, 物理的2次元生態系における自然選択により進化する'プロトゾーン様'細胞を用いたリアルタイムシミュレーションを提案する。
論文 参考訳（メタデータ） (2023-05-20T17:39:07Z) - Topology-Guided Multi-Class Cell Context Generation for Digital
Pathology [28.43244574309888]
空間統計学とトポロジカルデータ解析の数学的ツールをいくつか紹介する。
高品質なマルチクラスセルレイアウトを初めて生成する。
トポロジに富んだセルレイアウトは,データ拡張やセル分類などの下流タスクの性能向上に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-05T07:01:34Z) - Zyxin is all you need: machine learning adherent cell mechanics [0.0]
データ駆動型生体物理モデリング手法を開発し、接着細胞の力学的挙動を学習する。
まず、細胞骨格タンパク質の画像から付着細胞が生成する力を予測するためにニューラルネットワークを訓練する。
次に、我々は、細胞力のデータ駆動モデルを構築するのに役立つ2つのアプローチ(一つは物理学によって明示的に制約された、もう一つは連続体)を開発します。
論文 参考訳（メタデータ） (2023-03-01T02:08:40Z) - Conformal Isometry of Lie Group Representation in Recurrent Network of
Grid Cells [52.425628028229156]
本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。
グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
論文 参考訳（メタデータ） (2022-10-06T05:26:49Z) - Growing Isotropic Neural Cellular Automata [63.91346650159648]
我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。
細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
論文 参考訳（メタデータ） (2022-05-03T11:34:22Z) - Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation [49.992392231966015]
本稿では,制約型多形進化という,新しい,効果的形状の先進的アプローチを提案する。
クランプ内のすべての重なり合う細胞質を同時に分割し、モデル化された形状によって誘導される各細胞質の形状を共同で進化させる。
形状進化においては, 局所形状前兆だけでなく, 大域形状前兆も導入することにより, セグメンテーションの強度不足を補う。
論文 参考訳（メタデータ） (2020-04-08T09:08:07Z)
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。