論文の概要: Novel Methods for Analyzing Cellular Interactions in Deep Learning-Based Image Cytometry: Spatial Interaction Potential and Co-Localization Index

• arxiv url: http://arxiv.org/abs/2408.16008v1
• Date: Wed, 14 Aug 2024 08:07:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 16:32:17.754330
• Title: Novel Methods for Analyzing Cellular Interactions in Deep Learning-Based Image Cytometry: Spatial Interaction Potential and Co-Localization Index
• Title（参考訳）: 深層学習による画像サイトメトリーにおける細胞間相互作用の新しい解析法:空間的相互作用ポテンシャルとコローカライゼーション指数
• Authors: Toru Nagasaka, Kimihiro Yamashita, Mitsugu Fujita,
• Abstract要約: 空間相互作用ポテンシャル(SIP)とコローカライズ指数(CLI)を紹介する。 SIPは電場と同様の細胞間相互作用の可能性を評価し、CLIは細胞間の距離を取り入れ、動的細胞の動きを考慮に入れている。 我々は,SIPとCLIをシミュレーションにより検証し,大腸癌検体に適用し,実際の生物学的データと強い相関を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The study presents a novel approach for quantifying cellular interactions in digital pathology using deep learning-based image cytometry. Traditional methods struggle with the diversity and heterogeneity of cells within tissues. To address this, we introduce the Spatial Interaction Potential (SIP) and the Co-Localization Index (CLI), leveraging deep learning classification probabilities. SIP assesses the potential for cell-to-cell interactions, similar to an electric field, while CLI incorporates distances between cells, accounting for dynamic cell movements. Our approach enhances traditional methods, providing a more sophisticated analysis of cellular interactions. We validate SIP and CLI through simulations and apply them to colorectal cancer specimens, demonstrating strong correlations with actual biological data. This innovative method offers significant improvements in understanding cellular interactions and has potential applications in various fields of digital pathology.
• Abstract（参考訳）: 本研究は,深層学習に基づく画像サイトメトリーを用いて,デジタル病理における細胞間相互作用を定量化する新しい手法を提案する。 従来の方法は組織内の細胞の多様性と不均一性に苦しむ。 これを解決するために、深層学習の分類能力を活用した空間的相互作用ポテンシャル(SIP)とコローカライズ指数(CLI)を導入する。 SIPは電場と同様の細胞間相互作用の可能性を評価し、CLIは細胞間の距離を取り入れ、動的細胞の動きを考慮に入れている。 我々のアプローチは従来の方法を強化し、細胞間相互作用のより洗練された分析を提供する。 我々は,SIPとCLIをシミュレーションにより検証し,大腸癌検体に適用し,実際の生物学的データと強い相関を示す。 この手法は細胞相互作用の理解を大幅に改善し、デジタル病理学の様々な分野に応用できる可能性がある。

関連論文リスト

• Explainable AI Methods for Multi-Omics Analysis: A Survey [3.885941688264509]
  マルチオミクス(multi-omics)とは、複数の「オム」から派生したデータの積分解析である。 深層学習の手法は、マルチオミクスデータの統合や、分子間相互作用の洞察、複雑な疾患の研究の強化にますます活用されている。 これらのモデルは、多くの相互接続層と非線形関係を持ち、しばしばブラックボックスとして機能し、意思決定プロセスにおける透明性を欠いている。 このレビューでは、マルチオミクス研究において、xAIが深層学習モデルの解釈可能性を改善する方法について検討し、臨床医に明確な洞察を与える可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-15T05:01:17Z)
• Celcomen: spatial causal disentanglement for single-cell and tissue perturbation modeling [3.4635278365524673]
  セルコメンは空間転写学および単細胞データにおいて細胞内および細胞間遺伝子制御プログラムを切断する。 本研究は,ヒトグリオ芽腫,ヒト胎児脾臓およびマウス肺がん検体を用いて,その解離,識別性および偽造予測能力について,シミュレーションおよび臨床的に関連のあるヒトグリオ芽腫,マウス脾臓,マウス肺がん検体を用いて検証した。
  論文  参考訳（メタデータ） (2024-09-09T17:10:36Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• 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)
• 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)
• 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)
• A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
  正常細胞と転移細胞を区別できる計算フレームワークを開発した。 この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
  論文  参考訳（メタデータ） (2023-09-02T11:20:10Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• 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)
• BayReL: Bayesian Relational Learning for Multi-omics Data Integration [31.65670269480794]
  我々は,異なるマルチオミクスデータ型間の相互作用を推論する新しい手法を開発した。 BayReLはビュー固有の潜伏変数と、ビュー間のインタラクションをエンコードするマルチパーティトグラフを学習する。 実世界の複数のデータセットに対する実験により,BayReLの性能が向上した。
  論文  参考訳（メタデータ） (2020-10-12T17:43:07Z)

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。