論文の概要: AI-powered virtual tissues from spatial proteomics for clinical diagnostics and biomedical discovery

• arxiv url: http://arxiv.org/abs/2501.06039v1
• Date: Fri, 10 Jan 2025 15:17:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:28:41.261575
• Title: AI-powered virtual tissues from spatial proteomics for clinical diagnostics and biomedical discovery
• Title（参考訳）: 臨床診断と生医学的発見のための空間プロテオミクスを用いたAIを利用した仮想組織
• Authors: Johann Wenckstern, Eeshaan Jain, Kiril Vasilev, Matteo Pariset, Andreas Wicki, Gabriele Gut, Charlotte Bunne,
• Abstract要約: 生体組織のための基盤モデルフレームワークであるVirTuesを,分子,細胞,組織規模で運用する。 VirTuesは、空間次元とマーカー次元の両方をキャプチャする新しいトークン化スキームを含む、トランスフォーマーアーキテクチャ設計の革新を導入している。 ジェネラリストモデルとして、VirTuesは、臨床診断、生物学的発見、患者ケース検索タスクにまたがる既存のアプローチより優れている。
• 参考スコア（独自算出の注目度）: 4.608421774700912
• License:
• Abstract: Spatial proteomics technologies have transformed our understanding of complex tissue architectures by enabling simultaneous analysis of multiple molecular markers and their spatial organization. The high dimensionality of these data, varying marker combinations across experiments and heterogeneous study designs pose unique challenges for computational analysis. Here, we present Virtual Tissues (VirTues), a foundation model framework for biological tissues that operates across the molecular, cellular and tissue scale. VirTues introduces innovations in transformer architecture design, including a novel tokenization scheme that captures both spatial and marker dimensions, and attention mechanisms that scale to high-dimensional multiplex data while maintaining interpretability. Trained on diverse cancer and non-cancer tissue datasets, VirTues demonstrates strong generalization capabilities without task-specific fine-tuning, enabling cross-study analysis and novel marker integration. As a generalist model, VirTues outperforms existing approaches across clinical diagnostics, biological discovery and patient case retrieval tasks, while providing insights into tissue function and disease mechanisms.
• Abstract（参考訳）: 空間プロテオミクス技術は、複数の分子マーカーとその空間構造を同時に解析することで、複雑な組織構造に対する理解を変えてきた。 これらのデータの高次元性、実験におけるマーカーの組み合わせの変化、異質な研究設計は、計算分析に固有の課題を提起する。 ここでは, 分子, 細胞, 組織スケールにわたって機能する生体組織の基盤モデルフレームワークであるVirTuesを紹介する。 VirTuesは、空間次元とマーカー次元の両方をキャプチャする新しいトークン化スキームや、解釈可能性を維持しながら高次元多重データにスケールするアテンションメカニズムなど、トランスフォーマーアーキテクチャ設計の革新を導入している。 多様ながんおよび非がん組織データセットに基づいてトレーニングされたVirTuesは、タスク固有の微調整なしで強力な一般化能力を示し、クロススタディ分析と新しいマーカー統合を可能にする。 ジェネラリストモデルとして、VirTuesは、臨床診断、生物学的発見、患者ケース検索タスクにまたがる既存のアプローチよりも優れ、組織機能や疾患のメカニズムに関する洞察を提供する。

関連論文リスト

• COMET: Benchmark for Comprehensive Biological Multi-omics Evaluation Tasks and Language Models [56.81513758682858]
  COMETは、シングルオミクス、クロスオミクス、マルチオミクスタスクのモデルを評価することを目的としている。 まず、我々は、DNA、RNA、タンパク質の主要な構造的および機能的側面をカバーする、下流タスクとデータセットの多様なコレクションをキュレートし、開発する。 そこで我々は,DNA,RNA,タンパク質の既存の基礎言語モデルと,新たに提案されたマルチオミクス法を評価する。
  論文  参考訳（メタデータ） (2024-12-13T18:42:00Z)
• Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
  マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。 多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。 PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
  論文  参考訳（メタデータ） (2024-11-01T18:02:41Z)
• Multi-Omic and Quantum Machine Learning Integration for Lung Subtypes Classification [0.0]
  量子コンピューティングと機械学習の融合は、マルチオミクスデータセット内の複雑なパターンを解き放つことを約束している。 我々は,バイオマーカー発見の可能性を秘めたLUADデータセットとLUSCデータセットの最適な識別方法を開発した。
  論文  参考訳（メタデータ） (2024-10-02T23:16:31Z)
• 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)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• A Graph Based Neural Network Approach to Immune Profiling of Multiplexed Tissue Samples [0.3818645814949462]
  多重蛍光は、特定の細胞間および細胞の微小環境相互作用を研究する前例のない機会となる。 組織形態学から得られた特徴とタンパク質発現の測定を組み合わせ、腫瘍の微小環境をプロファイリングするためにグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2022-02-01T23:48:40Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。