論文の概要: Learning Cross-Domain Representations for Transferable Drug Perturbations on Single-Cell Transcriptional Responses

• arxiv url: http://arxiv.org/abs/2412.19228v1
• Date: Thu, 26 Dec 2024 14:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:28:36.719314
• Title: Learning Cross-Domain Representations for Transferable Drug Perturbations on Single-Cell Transcriptional Responses
• Title（参考訳）: シングルセル転写反応に基づく伝達性薬物摂動のクロスドメイン表現の学習
• Authors: Hui Liu, Shikai Jin,
• Abstract要約: フェノタイプドラッグの発見は、生物活性分子を同定する可能性から、広く注目を集めている。 本稿では,特徴分離と伝達可能な表現学習のための新しい生成フレームワークであるXTransferCDRを提案する。 実験結果から,XTransferCDRは現在の最先端手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 3.5863110323469
• License:
• Abstract: Phenotypic drug discovery has attracted widespread attention because of its potential to identify bioactive molecules. Transcriptomic profiling provides a comprehensive reflection of phenotypic changes in cellular responses to external perturbations. In this paper, we propose XTransferCDR, a novel generative framework designed for feature decoupling and transferable representation learning across domains. Given a pair of perturbed expression profiles, our approach decouples the perturbation representations from basal states through domain separation encoders and then cross-transfers them in the latent space. The transferred representations are then used to reconstruct the corresponding perturbed expression profiles via a shared decoder. This cross-transfer constraint effectively promotes the learning of transferable drug perturbation representations. We conducted extensive evaluations of our model on multiple datasets, including single-cell transcriptional responses to drugs and single- and combinatorial genetic perturbations. The experimental results show that XTransferCDR achieved better performance than current state-of-the-art methods, showcasing its potential to advance phenotypic drug discovery.
• Abstract（参考訳）: フェノタイプ薬物の発見は、生物活性分子を同定する可能性から、広く注目を集めている。 トランスクリプトームプロファイリングは、外部摂動に対する細胞応答の表現型の変化を包括的に反映する。 本稿では,ドメイン間の特徴分離と伝達可能な表現学習のための新しい生成フレームワークであるXTransferCDRを提案する。 一対の摂動表現プロファイルを与えられた場合、本手法は基底状態からドメイン分離エンコーダを介して摂動表現を分離し、潜時空間でそれらを相互変換する。 転送された表現は、共有デコーダを介して対応する摂動表現プロファイルを再構築するために使用される。 このクロストランスファー制約は、伝達可能な薬物摂動表現の学習を効果的に促進する。 薬物に対する単細胞転写応答や単細胞・結合型遺伝的摂動など,複数のデータセットを用いたモデルの評価を行った。 実験の結果,XTransferCDRは現在の最先端手法よりも優れた性能を示し,表現型薬物発見の進展の可能性を示した。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Diffusion Model with Cross Attention as an Inductive Bias for Disentanglement [58.9768112704998]
  遠方表現学習は、観測データ内の本質的要因を抽出する試みである。 我々は新しい視点と枠組みを導入し、クロスアテンションを持つ拡散モデルが強力な帰納バイアスとなることを示す。 これは、複雑な設計を必要とせず、クロスアテンションを持つ拡散モデルの強力な解離能力を明らかにする最初の研究である。
  論文  参考訳（メタデータ） (2024-02-15T05:07:54Z)
• Interpretable Modeling of Single-cell perturbation Responses to Novel Drugs Using Cycle Consistence Learning [11.565323524917693]
  フェノタイプによるスクリーニングは、細胞活性化合物の同定に多くの注目を集めている。 本稿では,初期セル状態を潜在空間にマッピングするディープラーニングフレームワークを提案する。 3種類のデータセットでモデルを検証しました。
  論文  参考訳（メタデータ） (2023-11-17T03:58:59Z)
• Cross-Modal Translation and Alignment for Survival Analysis [7.657906359372181]
  本研究は,本質的な相互モーダル相関と伝達電位補間情報について検討する枠組みを提案する。 5つの公開TCGAデータセットに対する実験により、提案したフレームワークが最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-22T13:29:14Z)
• Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects Estimation [103.55894890759376]
  本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。 本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
  論文  参考訳（メタデータ） (2022-10-08T16:41:02Z)
• Unsupervised Misaligned Infrared and Visible Image Fusion via Cross-Modality Image Generation and Registration [59.02821429555375]
  我々は、教師なし不整合赤外線と可視画像融合のための頑健な相互モダリティ生成登録パラダイムを提案する。 登録された赤外線画像と可視画像とを融合させるため,IFM (Feature Interaction Fusion Module) を提案する。
  論文  参考訳（メタデータ） (2022-05-24T07:51:57Z)
• Communicative Subgraph Representation Learning for Multi-Relational Inductive Drug-Gene Interaction Prediction [17.478102754113294]
  マルチリレーショナル・インダクティブ・ドラッグ-遺伝子相互作用予測(CoSMIG)のための新しいコミュニケーティブ・サブグラフ表現学習法を提案する。 このモデルは、通信メッセージパッシング機構を通じて、薬物遺伝子グラフの関係を強化した。 提案手法は,トランスダクティブシナリオにおいて最先端のベースラインより優れ,インダクティブシナリオでは優れた性能を実現した。
  論文  参考訳（メタデータ） (2022-05-12T08:53:45Z)
• MoReL: Multi-omics Relational Learning [26.484803417186384]
  ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
  論文  参考訳（メタデータ） (2022-03-15T02:50:07Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation [51.7837386041158]
  内視鏡的病変分割のための2つの相補的モジュールを含む新しい教師なしセマンティックトランスファーモデルを開発した。 特に、T_Dは、残留転写可能性を認識するボトルネックを介して、医療病変の伝達可能な視覚情報を翻訳する場所に焦点を当てている。 T_Fは、さまざまな病変のトランスファー可能なセマンティック機能を拡張し、自動的に非トランスファー可能な表現を無視する方法を強調している。
  論文  参考訳（メタデータ） (2020-04-24T00:57:05Z)

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。