論文の概要: CellFlow: Simulating Cellular Morphology Changes via Flow Matching

• arxiv url: http://arxiv.org/abs/2502.09775v1
• Date: Thu, 13 Feb 2025 21:10:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 19:47:35.553713
• Title: CellFlow: Simulating Cellular Morphology Changes via Flow Matching
• Title（参考訳）: CellFlow:フローマッチングによる細胞形態変化のシミュレーション
• Authors: Yuhui Zhang, Yuchang Su, Chenyu Wang, Tianhong Li, Zoe Wefers, Jeffrey Nirschl, James Burgess, Daisy Ding, Alejandro Lozano, Emma Lundberg, Serena Yeung-Levy,
• Abstract要約: 本稿では,化学および遺伝的摂動によって誘導される細胞形態変化をシミュレートする画像生成モデルであるCellFlowを紹介する。 CellFlowは、摂動特異的な形態変化を忠実に捉える生物学的に意味のある細胞画像を生成する。
• 参考スコア（独自算出の注目度）: 44.8979602893102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building a virtual cell capable of accurately simulating cellular behaviors in silico has long been a dream in computational biology. We introduce CellFlow, an image-generative model that simulates cellular morphology changes induced by chemical and genetic perturbations using flow matching. Unlike prior methods, CellFlow models distribution-wise transformations from unperturbed to perturbed cell states, effectively distinguishing actual perturbation effects from experimental artifacts such as batch effects -- a major challenge in biological data. Evaluated on chemical (BBBC021), genetic (RxRx1), and combined perturbation (JUMP) datasets, CellFlow generates biologically meaningful cell images that faithfully capture perturbation-specific morphological changes, achieving a 35% improvement in FID scores and a 12% increase in mode-of-action prediction accuracy over existing methods. Additionally, CellFlow enables continuous interpolation between cellular states, providing a potential tool for studying perturbation dynamics. These capabilities mark a significant step toward realizing virtual cell modeling for biomedical research.
• Abstract（参考訳）: シリコの細胞挙動を正確にシミュレートできる仮想細胞を作ることは、長い間、計算生物学の夢だった。 本稿では,フローマッチングを用いた化学および遺伝的摂動による細胞形態変化をシミュレートする画像生成モデルであるCellFlowを紹介する。 従来の方法とは異なり、CellFlowは、摂動のない細胞状態から摂動された細胞状態への分布的変換をモデル化し、実際の摂動効果とバッチ効果のような実験的な成果物を効果的に区別する。 化学(BBBC021)、遺伝(RxRx1)、複合摂動(JUMP)データセットに基づいて、CellFlowは生物学的に意味のある細胞画像を生成し、摂動特異的な形態変化を忠実に捉え、FIDスコアが35%改善し、既存の方法よりもモード・オブ・アクション予測精度が12%向上した。 さらに、CellFlowは細胞状態間の連続的な補間を可能にし、摂動力学を研究するための潜在的ツールを提供する。 これらの能力は、生体医学研究のための仮想細胞モデリングの実現に向けた重要な一歩である。

関連論文リスト

• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• Contrastive learning of cell state dynamics in response to perturbations [0.5665024011188763]
  DynaCLRは、タイムラプスデータセットの表現を対照的に学習することで、セルダイナミクスをモデル化するためのフレームワークである。 本研究では,DynaCLRを用いて細胞の形態動態を時間的に規則化された埋め込み空間にマッピングする方法を示す。
  論文  参考訳（メタデータ） (2024-10-15T05:01:25Z)
• Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
  マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。 本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• PhagoStat a scalable and interpretable end to end framework for efficient quantification of cell phagocytosis in neurodegenerative disease studies [0.0]
  本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。 提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。 我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T18:10:35Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Enforcing Morphological Information in Fully Convolutional Networks to Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
  本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。 深部距離変換器(DDT)がバックボーンモデルとして機能する。 その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T15:54:38Z)
• Inference of cell dynamics on perturbation data using adjoint sensitivity [4.606583317143614]
  データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。 最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。 本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
  論文  参考訳（メタデータ） (2021-04-13T19:15:56Z)
• 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)

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。