論文の概要: Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors

• arxiv url: http://arxiv.org/abs/2502.15646v1
• Date: Fri, 21 Feb 2025 18:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 19:42:12.836106
• Title: Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors
• Title（参考訳）: LEAPを用いた前臨床癌モデルにおける摂動スクリーンからの遺伝子必須性および薬物応答の予測:オートエンコーダと予測器の層化
• Authors: Barbara Bodinier, Gaetan Dissez, Linus Bleistein, Antonin Dauvin,
• Abstract要約: 本稿では,ロバスト性と一般化を向上する新しいアンサンブルフレームワークであるLEAP(Layered Ensemble of Autoencoders and Predictors)を紹介する。 LEAPは、未確認の細胞株、組織、および疾患モデルにおいて、遺伝子本質または薬物応答を予測する最先端のアプローチを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Preclinical perturbation screens, where the effects of genetic, chemical, or environmental perturbations are systematically tested on disease models, hold significant promise for machine learning-enhanced drug discovery due to their scale and causal nature. Predictive models can infer perturbation responses for previously untested disease models based on molecular profiles. These in silico labels can expand databases and guide experimental prioritization. However, modelling perturbation-specific effects and generating robust prediction performances across diverse biological contexts remain elusive. We introduce LEAP (Layered Ensemble of Autoencoders and Predictors), a novel ensemble framework to improve robustness and generalization. LEAP leverages multiple DAMAE (Data Augmented Masked Autoencoder) representations and LASSO regressors. By combining diverse gene expression representation models learned from different random initializations, LEAP consistently outperforms state-of-the-art approaches in predicting gene essentiality or drug responses in unseen cell lines, tissues and disease models. Notably, our results show that ensembling representation models, rather than prediction models alone, yields superior predictive performance. Beyond its performance gains, LEAP is computationally efficient, requires minimal hyperparameter tuning and can therefore be readily incorporated into drug discovery pipelines to prioritize promising targets and support biomarker-driven stratification. The code and datasets used in this work are made publicly available.
• Abstract（参考訳）: 遺伝的、化学的、環境的な摂動の影響が疾患モデルで体系的にテストされる先駆的摂動スクリーンは、その規模と因果性から、機械学習による薬物発見に重要な可能性を秘めている。 予測モデルは、分子プロファイルに基づいて、未検査の疾患モデルに対する摂動応答を推測することができる。 サイリコラベルのこれらはデータベースを拡張し、実験的な優先順位付けをガイドすることができる。 しかし、摂動特異的効果をモデル化し、様々な生物学的文脈で堅牢な予測性能を生成することは、いまだ解明されていない。 本稿では,ロバスト性と一般化を向上する新しいアンサンブルフレームワークであるLEAP(Layered Ensemble of Autoencoders and Predictors)を紹介する。 LEAPは複数のDAMAE(Data Augmented Masked Autoencoder)表現とLASSOレグレッタを利用する。 異なるランダム初期化から得られた多様な遺伝子発現モデルを組み合わせることで、LEAPは、未確認の細胞株、組織、および疾患モデルにおいて、遺伝子本質または薬物応答を予測する最先端のアプローチを一貫して上回っている。 特に,本研究の結果から,予測モデルのみではなく,表現モデルの集合化によって予測性能が向上することが示唆された。 LEAPの性能向上以外にも、LEAPは計算的に効率的であり、最小限のハイパーパラメータチューニングを必要とするため、期待できる目標を優先順位付けし、バイオマーカーによる成層化をサポートするために、簡単に薬物発見パイプラインに組み込むことができる。 この作業で使用されるコードとデータセットは公開されています。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。 このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。 また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• Generative Principal Component Regression via Variational Inference [2.4415762506639944]
  適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。 我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。 シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
  論文  参考訳（メタデータ） (2024-09-03T22:38:55Z)
• 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)
• Permutation invariant multi-output Gaussian Processes for drug combination prediction in cancer [2.1145050293719745]
  がんにおける線量応答予測は、機械学習における活発な応用分野である。 目標は、実験的な設計をガイドしたり、治療決定を知らせるために使用できる正確な予測モデルを開発することである。
  論文  参考訳（メタデータ） (2024-06-28T18:28:38Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Unsupervised language models for disease variant prediction [3.6942566104432886]
  広い配列のデータセットで訓練された1つのタンパク質LMは、あらゆる遺伝子変異ゼロショットに対して病原性を評価することができる。 臨床的にラベル付けされた疾患関連遺伝子の変異について評価すると,その評価性能は最先端技術に匹敵することがわかった。
  論文  参考訳（メタデータ） (2022-12-07T22:28:13Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
  うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。 このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
  論文  参考訳（メタデータ） (2020-09-26T17:56:37Z)

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。