Fugu-MT 論文翻訳(概要): Fourier Asymmetric Attention on Domain Generalization for Pan-Cancer Drug Response Prediction

論文の概要: Fourier Asymmetric Attention on Domain Generalization for Pan-Cancer Drug Response Prediction

arxiv url: http://arxiv.org/abs/2502.04034v2
Date: Sun, 01 Jun 2025 08:16:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-03 16:22:43.045153
Title: Fourier Asymmetric Attention on Domain Generalization for Pan-Cancer Drug Response Prediction
Title（参考訳）: パンカウンサーの薬物反応予測のための領域一般化に関するフーリエ非対称的注意
Authors: Ran Song, Yinpu Bai, Hui Liu,
Abstract要約: 本稿では,この課題に対処するため,FourierDrugと呼ばれる新しいドメイン一般化フレームワークを提案する。実験により,本モデルは多様なソースドメインからタスク関連特徴を効果的に学習し,未確認癌に対する薬物応答の正確な予測を行うことができた。これらの知見は,本手法の現実的臨床応用の可能性を明らかにするものである。
参考スコア（独自算出の注目度）: 11.649397977546435
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The accurate prediction of drug responses remains a formidable challenge, particularly at the single-cell level and in clinical treatment contexts. Some studies employ transfer learning techniques to predict drug responses in individual cells and patients, but they require access to target-domain data during training, which is often unavailable or only obtainable in future. In this study, we propose a novel domain generalization framework, termed FourierDrug, to address this challenge. Given the extracted feature from expression profile, we performed Fourier transforms and then introduced an asymmetric attention constraint that would cluster drug-sensitive samples into a compact group while drives resistant samples dispersed in the frequency domain. Our empirical experiments demonstrate that our model effectively learns task-relevant features from diverse source domains, and achieves accurate predictions of drug response for unseen cancer type. When evaluated on single-cell and patient-level drug response prediction tasks, FourierDrug--trained solely on in vitro cell line data without access to target-domain data--consistently outperforms or, at least, matched the performance of current state-of-the-art methods. These findings underscore the potential of our method for real-world clinical applications.
Abstract（参考訳）: 薬物反応の正確な予測は、特に単細胞レベルと臨床治療の文脈において、深刻な課題である。一部の研究では、個々の細胞や患者の薬物反応を予測するために転送学習技術を採用しているが、訓練中にターゲットドメインデータにアクセスする必要がある。本研究では,この課題に対処するため,FourierDrugと呼ばれる新しいドメイン一般化フレームワークを提案する。式プロファイルから抽出した特徴を考慮し,周波数領域に分散した耐性試料を駆動しながら,薬物感受性試料をコンパクトなグループにクラスターする非対称アテンション制約を導入した。実験により,本モデルが多様なソースドメインからタスク関連特徴を効果的に学習し,未確認癌に対する薬物応答の正確な予測を行うことを示した。単一細胞および患者レベルの薬物応答予測タスクで評価すると、FourierDrugは標的ドメインデータへのアクセスなしにin vitroの細胞ラインデータのみに訓練された。これらの知見は,本手法の現実的臨床応用の可能性を明らかにするものである。

関連論文リスト

Assessing Surrogate Heterogeneity in Real World Data Using Meta-Learners [0.0]
本研究では,実世界の非ランダム化データにおける代理的不均一性を評価する枠組みを提案する。提案手法により, 患者特性に対するサロゲート強度の不均一性を定量化することができる。我々のフレームワークは、サロゲートが一次結果の有効な置き換えである個人を特定するのに使われます。
論文参考訳（メタデータ） (2025-04-21T18:54:48Z)
Efficient Fine-Tuning of Single-Cell Foundation Models Enables Zero-Shot Molecular Perturbation Prediction [0.6501158610800594]
本研究では,数千万の単細胞上で事前学習した単一細胞基盤モデル(FM)を利用する。本稿では,基礎モデルの1%未満のトレーニングにより,効率的な微調整を可能にする薬物調和アダプタを提案する。
論文参考訳（メタデータ） (2024-12-18T03:42:20Z)
Conditional Similarity Triplets Enable Covariate-Informed Representations of Single-Cell Data [0.49157446832511503]
機械学習のアプローチは、しばしば免疫学的要約やサンプルごとの成果を計算するために使われる。サンプルごとの表現を計算するための現在の教師付き学習アプローチは、単一の結果を正確に予測するためにのみ訓練される。提案するCytoCoSetは,サンプルごとの成果を学習するためのセットベースの符号化手法である。
論文参考訳（メタデータ） (2024-06-12T20:53:07Z)
RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation [41.50001361938865]
ディープラーニングモデルは、ソースとターゲットデータの間にドメインシフトがある場合、正確な推論を行う際の課題に直面することが多い。単一ソース領域一般化アルゴリズム(RaffeSDG)を提案する。 RaffeSDGは、単一ソースドメインでトレーニングされたセグメンテーションモデルで、堅牢なドメイン外推論を約束する。
論文参考訳（メタデータ） (2024-05-02T12:13:00Z)
Towards generalization of drug response prediction to single cells and patients utilizing importance-aware multi-source domain transfer learning [6.810949980810495]
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。
論文参考訳（メタデータ） (2024-03-08T12:31:03Z)
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)
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)
A Privacy-Preserving Walk in the Latent Space of Generative Models for Medical Applications [11.39717289910264]
GAN(Generative Adversarial Networks)は、ターゲット分布に一致する合成サンプルを生成する能力を実証している。 GANは、潜伏空間に実際のサンプルのほぼ重複体を埋め込む傾向がある。本稿では,深層モデルの効果的なトレーニングを支援するために,多種多様な合成サンプルを生成できる潜時空間ナビゲーション戦略を提案する。
論文参考訳（メタデータ） (2023-07-06T13:35:48Z)
Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-04-10T17:58:22Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。