論文の概要: In-silico biological discovery with large perturbation models

• arxiv url: http://arxiv.org/abs/2503.23535v1
• Date: Sun, 30 Mar 2025 17:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 19:35:57.176756
• Title: In-silico biological discovery with large perturbation models
• Title（参考訳）: 大きな摂動モデルによるシリカ内生物の発見
• Authors: Djordje Miladinovic, Tobias Höppe, Mathieu Chevalley, Andreas Georgiou, Lachlan Stuart, Arash Mehrjou, Marcus Bantscheff, Bernhard Schölkopf, Patrick Schwab,
• Abstract要約: 本稿では,摂動,読み出し,コンテキストをアンタングル次元として表現することで摂動実験を統合するディープラーニングモデルであるLarge Perturbation Model(LPM)を提案する。 LPMは、未確認実験の摂動後のトランスクリプトームを予測することを含む、様々な生物学的発見タスクで既存の方法より優れている。
• 参考スコア（独自算出の注目度）: 46.388631244976885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data generated in perturbation experiments link perturbations to the changes they elicit and therefore contain information relevant to numerous biological discovery tasks -- from understanding the relationships between biological entities to developing therapeutics. However, these data encompass diverse perturbations and readouts, and the complex dependence of experimental outcomes on their biological context makes it challenging to integrate insights across experiments. Here, we present the Large Perturbation Model (LPM), a deep-learning model that integrates multiple, heterogeneous perturbation experiments by representing perturbation, readout, and context as disentangled dimensions. LPM outperforms existing methods across multiple biological discovery tasks, including in predicting post-perturbation transcriptomes of unseen experiments, identifying shared molecular mechanisms of action between chemical and genetic perturbations, and facilitating the inference of gene-gene interaction networks.
• Abstract（参考訳）: 摂動実験で生成されたデータは、彼らが引き起こす変化に摂動をリンクさせ、従って多くの生物学的発見タスクに関連する情報を含む。 しかし、これらのデータは様々な摂動と読み出しを含んでおり、実験結果の生物学的文脈への複雑な依存は、実験全体での洞察の統合を困難にしている。 本稿では,多種多様な摂動実験を統合した学習モデルであるLarge Perturbation Model (LPM)を提案する。 LPMは、未確認実験の摂動後のトランスクリプトームの予測、化学的摂動と遺伝的摂動の共有分子機構の同定、遺伝子-遺伝子相互作用ネットワークの推論の促進など、様々な生物学的発見タスクにおいて、既存の方法よりも優れている。

関連論文リスト

• Contextualizing biological perturbation experiments through language [3.704686482174365]
  PerturbQAは摂動実験に対する構造化推論のベンチマークである。 我々は、摂動をモデル化するための最先端の機械学習と統計的アプローチを評価する。 本稿では,サマー(SUMMarize,retrievE, answeR),シンプルなドメインインフォームドLLMフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-02-28T18:15:31Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Automated Discovery of Pairwise Interactions from Unstructured Data [3.980555701211573]
  ペアワイズ摂動実験は、単一の摂動から観測できない相互作用を明らかにするために頻繁に用いられる。 これらのテストがアクティブな学習パイプラインに統合され、摂動間のペアワイズ相互作用を効率的に検出できることを示す。 我々は、50組の遺伝子をノックアウトし、顕微鏡画像でその効果を計測する、実際の生物学的実験に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-09-11T19:53:50Z)
• Optimal Transport for Latent Integration with An Application to Heterogeneous Neuronal Activity Data [1.5311478638611091]
  本稿では,複雑な生物学的プロセスにおいて共有パターンを抽出する最適なトランスポートに基づく,新しい異種データ統合フレームワークを提案する。 本手法は,少数の被験者でも有効であり,アライメントに補助的なマッチング情報を必要としない。
  論文  参考訳（メタデータ） (2024-06-27T04:29:21Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• DiscoBAX: Discovery of Optimal Intervention Sets in Genomic Experiment Design [61.48963555382729]
  本研究では,実験1回あたりの有意な発見率を最大化するためのサンプル効率向上手法としてDiscoBAXを提案する。 我々は、標準仮定の下で近似最適性の理論的保証を提供し、包括的な実験評価を行う。
  論文  参考訳（メタデータ） (2023-12-07T06:05:39Z)
• 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)
• Comparative Performance Evaluation of Large Language Models for Extracting Molecular Interactions and Pathway Knowledge [5.893494985371817]
  大型言語モデル(LLM)は、関心の経路に関連する遺伝子やタンパク質を同定することができる。 LLMは関心の経路に関連する遺伝子やタンパク質を同定し、その相互作用をある程度予測することができる。
  論文  参考訳（メタデータ） (2023-07-17T20:01:11Z)
• Decentralized policy learning with partial observation and mechanical constraints for multiperson modeling [14.00358511581803]
  本稿では,部分的な観察と機械的制約を分散的に表現した逐次生成モデルを提案する。 本手法は実世界のデータを用いて現実的な軌跡を生成するマルチエージェントシミュレータとして利用することができる。
  論文  参考訳（メタデータ） (2020-07-07T01:24:22Z)

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。