論文の概要: Towards generalizable single-cell perturbation modeling via the Conditional Monge Gap

• arxiv url: http://arxiv.org/abs/2504.08328v1
• Date: Fri, 11 Apr 2025 07:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:17:45.474902
• Title: Towards generalizable single-cell perturbation modeling via the Conditional Monge Gap
• Title（参考訳）: Conditional Monge Gapによる一般化可能な単一セル摂動モデリングに向けて
• Authors: Alice Driessen, Benedek Harsanyi, Marianna Rapsomaniki, Jannis Born,
• Abstract要約: 条件付きモンジュギャップは任意のco変数上で条件付きOT写像を学習する。 条件付きモデルでは、scRNA-seqの条件固有状態に匹敵する結果が得られる。 また, 構造に基づく薬物表現と効果に基づく薬物表現のギャップを狭め, 目に見えない治療に対する摂動効果の予測に成功するための有望な経路を示唆した。
• 参考スコア（独自算出の注目度）: 1.437446768735628
• License:
• Abstract: Learning the response of single-cells to various treatments offers great potential to enable targeted therapies. In this context, neural optimal transport (OT) has emerged as a principled methodological framework because it inherently accommodates the challenges of unpaired data induced by cell destruction during data acquisition. However, most existing OT approaches are incapable of conditioning on different treatment contexts (e.g., time, drug treatment, drug dosage, or cell type) and we still lack methods that unanimously show promising generalization performance to unseen treatments. Here, we propose the Conditional Monge Gap which learns OT maps conditionally on arbitrary covariates. We demonstrate its value in predicting single-cell perturbation responses conditional to one or multiple drugs, a drug dosage, or combinations thereof. We find that our conditional models achieve results comparable and sometimes even superior to the condition-specific state-of-the-art on scRNA-seq as well as multiplexed protein imaging data. Notably, by aggregating data across conditions we perform cross-task learning which unlocks remarkable generalization abilities to unseen drugs or drug dosages, widely outperforming other conditional models in capturing heterogeneity (i.e., higher moments) in the perturbed population. Finally, by scaling to hundreds of conditions and testing on unseen drugs, we narrow the gap between structure-based and effect-based drug representations, suggesting a promising path to the successful prediction of perturbation effects for unseen treatments.
• Abstract（参考訳）: 単一細胞の様々な治療に対する反応を学習することは、標的療法を可能にする大きな可能性を秘めている。 この文脈では、データ取得中に細胞破壊によって引き起こされる未損傷データの課題に本質的に適応するため、神経最適輸送(OT)が原則的方法論の枠組みとして登場した。 しかし, 既存のOTアプローチでは, 時間, 薬物治療, 薬物摂取量, 細胞タイプなど, 異なる治療状況で条件付けができない場合が多い。 本稿では,任意の共変量に対して条件付きOT写像を学習する条件モンジギャップを提案する。 単細胞摂動応答を1つまたは複数の薬物、薬物の投与量、またはそれらの組み合わせに条件付きで予測する上での価値を実証する。 条件付きモデルでは、cRNA-seqの条件特異的な状態と、多重化タンパク質イメージングデータに匹敵する結果が得られます。 特に、状況にまたがるデータを集約することで、私たちは、目に見えない薬物や薬物の服用に対する顕著な一般化能力を解き放つクロスタスク学習を行い、乱れた集団の異質性(すなわち、より高い瞬間)を捉える他の条件モデルよりも広く優れている。 最後に、数百の条件に拡張し、無害薬物に対する試験を行うことで、構造に基づく表現と効果に基づく表現のギャップを狭め、無害薬物に対する摂動効果の予測に成功するための有望な道筋を示唆する。

関連論文リスト

• Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data [3.434624857389692]
  異種集団の多地点データを用いたロバストなCATE(条件平均処理効果)推定手法を開発した。 得られたCATEモデルは、サイト固有CATEモデルの重み付き平均として表される、解釈可能な閉形式解を持つことを示す。
  論文  参考訳（メタデータ） (2024-12-15T10:00:07Z)
• Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
  公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T05:45:53Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
  本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
  論文  参考訳（メタデータ） (2022-05-29T15:26:59Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Estimating heterogeneous survival treatment effect in observational data using machine learning [9.951103976634407]
  観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。 対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
  論文  参考訳（メタデータ） (2020-08-17T01:02:14Z)

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。