論文の概要: A scalable gene network model of regulatory dynamics in single cells

• arxiv url: http://arxiv.org/abs/2503.20027v1
• Date: Tue, 25 Mar 2025 19:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:19:45.015136
• Title: A scalable gene network model of regulatory dynamics in single cells
• Title（参考訳）: 単一細胞における制御ダイナミクスのスケーラブルな遺伝子ネットワークモデル
• Authors: Paul Bertin, Joseph D. Viviano, Alejandro Tejada-Lapuerta, Weixu Wang, Stefan Bauer, Fabian J. Theis, Yoshua Bengio,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 88.48246132084441
• License:
• Abstract: Single-cell data provide high-dimensional measurements of the transcriptional states of cells, but extracting insights into the regulatory functions of genes, particularly identifying transcriptional mechanisms affected by biological perturbations, remains a challenge. Many perturbations induce compensatory cellular responses, making it difficult to distinguish direct from indirect effects on gene regulation. Modeling how gene regulatory functions shape the temporal dynamics of these responses is key to improving our understanding of biological perturbations. Dynamical models based on differential equations offer a principled way to capture transcriptional dynamics, but their application to single-cell data has been hindered by computational constraints, stochasticity, sparsity, and noise. Existing methods either rely on low-dimensional representations or make strong simplifying assumptions, limiting their ability to model transcriptional dynamics at scale. We introduce a Functional and Learnable model of Cell dynamicS, FLeCS, that incorporates gene network structure into coupled differential equations to model gene regulatory functions. Given (pseudo)time-series single-cell data, FLeCS accurately infers cell dynamics at scale, provides improved functional insights into transcriptional mechanisms perturbed by gene knockouts, both in myeloid differentiation and K562 Perturb-seq experiments, and simulates single-cell trajectories of A549 cells following small-molecule perturbations.
• Abstract（参考訳）: 単細胞データは細胞の転写状態の高次元計測を提供するが、遺伝子の制御機能、特に生物学的摂動による転写機構の解明に関する洞察を抽出することは依然として困難である。 多くの摂動は補償細胞の応答を誘導し、遺伝子調節に対する間接的な影響と直接的に区別することは困難である。 遺伝子制御機能がこれらの応答の時間的ダイナミクスをどう形成するかをモデル化することは、生物学的摂動の理解を改善する鍵となる。 微分方程式に基づく力学モデルは、書き起こし力学を捕捉する原理的な方法を提供するが、その単一セルデータへの応用は、計算制約、確率性、空間性、ノイズによって妨げられている。 既存の手法は低次元の表現に依存するか、強い単純化の仮定をし、大規模な転写力学をモデル化する能力を制限する。 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、機能的および学習可能なセルダイナミックスモデルFLeCSを紹介する。 FLeCSは、(pseudo)時系列の単一細胞データから、細胞動態を正確に推定し、ミエロイド分化とK562 Perturb-seq実験の両方において、遺伝子ノックアウトによって摂食される転写機構に関する機能的洞察を改良し、小分子の摂動に続くA549細胞の単細胞軌道をシミュレートする。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,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 GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations [4.34315395377214]
  本稿では、生物学的に有意な神経常微分方程式(ニューラル・オード)を組み込んだ新しいフレームワークであるPerturbODEを提案し、摂動下での細胞状態の軌跡をモデル化する。 シミュレーションおよび実際の過剰表現データセット間での軌道予測とGRN推論におけるPerturbODEの有効性を実証する。
  論文  参考訳（メタデータ） (2025-01-05T01:04:23Z)
• 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)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Cell reprogramming design by transfer learning of functional transcriptional networks [0.0]
  我々は,ヒト細胞運命に関連する転写学的データに基づいて事前学習した細胞行動を制御するための転写学習手法を開発した。 本研究では, 発達関連性の低下に伴い, ある運命から別の運命へと進むために必要な遺伝子摂動の数が増加することを示す。
  論文  参考訳（メタデータ） (2024-03-07T19:00:02Z)
• 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)
• Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
  本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。 これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
  論文  参考訳（メタデータ） (2022-11-07T15:47:40Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• Variational Mixtures of ODEs for Inferring Cellular Gene Expression Dynamics [0.0]
  計算生物学の鍵となる問題は、細胞運命の遷移を制御する遺伝子発現の変化を発見することである。 我々は常微分方程式の変分混合と呼ばれるアプローチを開発する。 我々は各細胞の潜時と潜時状態を同時に推測し、その将来的な遺伝子発現状態を予測できる。
  論文  参考訳（メタデータ） (2022-07-09T00:50:45Z)
• SimCD: Simultaneous Clustering and Differential expression analysis for single-cell transcriptomic data [22.702909270039314]
  シングルセルRNAシークエンシング(scRNA-seq)は、個々の細胞のゲノムスケールの転写プロファイリングを促進する。 複数の scRNA-seq 解析法が提案されており、まずクラスター化によって細胞サブポピュレーションを同定し、別々に差分発現解析を行い、遺伝子発現の変化を理解する。 細胞不均一性および動的微分変化を1つの統合階層型ガンマ陰性二項モデルで明示的にモデル化する新しい方法であるSimCDを開発している。
  論文  参考訳（メタデータ） (2021-04-04T01:06:18Z)

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。