Fugu-MT 論文翻訳(概要): Integrating Single-Cell Foundation Models with Graph Neural Networks for Drug Response Prediction

論文の概要: Integrating Single-Cell Foundation Models with Graph Neural Networks for Drug Response Prediction

arxiv url: http://arxiv.org/abs/2504.14361v1
Date: Sat, 19 Apr 2025 17:35:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 01:11:15.098093
Title: Integrating Single-Cell Foundation Models with Graph Neural Networks for Drug Response Prediction
Title（参考訳）: 薬物応答予測のための単一セル基礎モデルとグラフニューラルネットワークの統合
Authors: Till Rossner, Ziteng Li, Jonas Balke, Nikoo Salehfard, Tom Seifert, Ming Tang,
Abstract要約: 我々は,DeepCDRモデルにSCGPT基盤モデルを統合することにより,がん薬物応答(CDR)を予測する革新的な手法を提案する。提案手法では,ScGPTを用いて遺伝子発現データから埋め込みを生成し,それをDeepCDRの遺伝子発現入力データとして利用する。
参考スコア（独自算出の注目度）: 3.544038341047844
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this study, we propose an innovative methodology for predicting Cancer Drug Response (CDR) through the integration of the scGPT foundation model within the DeepCDR model. Our approach utilizes scGPT to generate embeddings from gene expression data, which are then used as gene expression input data for DeepCDR. The experimental findings demonstrate the efficacy of this scGPT-based method in outperforming previous related works, including the original DeepCDR model and the scFoundation-based model. This study highlights the potential of scGPT embeddings to enhance the accuracy of CDR predictions and offers a promising alternative to existing approaches.
Abstract（参考訳）: 本研究では,DeepCDRモデルにSCGPT基盤モデルを統合することにより,癌薬物応答(CDR)を予測する革新的な手法を提案する。提案手法では,ScGPTを用いて遺伝子発現データから埋め込みを生成し,それをDeepCDRの遺伝子発現入力データとして利用する。実験により,本手法が従来のDeepCDRモデルやScFoundation-basedモデルなど,従来よりも優れた性能を示した。本研究は、CDR予測の精度を高めるためのSCGPT埋め込みの可能性を強調し、既存のアプローチに代わる有望な代替手段を提供する。

関連論文リスト

Teaching pathology foundation models to accurately predict gene expression with parameter efficient knowledge transfer [1.5416321520529301]
PEKA(Efficient Knowledge Adaptation)は、クロスモーダルな知識伝達のための知識蒸留と構造アライメント損失を統合する新しいフレームワークである。複数の空間転写学データセットを用いた遺伝子発現予測のためのPEKAの評価を行った。
論文参考訳（メタデータ） (2025-04-09T17:24:41Z)
RL-finetuning LLMs from on- and off-policy data with a single algorithm [53.70731390624718]
大規模言語モデルを微調整するための新しい強化学習アルゴリズム(AGRO)を提案する。 AGROは生成整合性の概念を利用しており、最適ポリシーはモデルの任意の世代間での整合性の概念を満たすと述べている。サンプルベースの政策勾配による最適解を求めるアルゴリズムを導出し,その収束に関する理論的保証を提供する。
論文参考訳（メタデータ） (2025-03-25T12:52:38Z)
Chain-of-Retrieval Augmented Generation [72.06205327186069]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文参考訳（メタデータ） (2025-01-24T09:12:52Z)
Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks [0.0]
グラフ畳み込みニューラルネットワーク(GCN)は、データ集約的な課題に対処する上で、非常に有望であることを示している。メタポピュレーション間の人体移動を取り入れることで、感受性-感染-回復モデル(SIR)の予測を改善する試みがいくつかなされている。近年,GCN-SIRのハイブリッド手法は,地域レベルで収集したデータに対して,既存の手法よりも優れていることが報告されている。
論文参考訳（メタデータ） (2025-01-03T18:06:26Z)
Assessing Reusability of Deep Learning-Based Monotherapy Drug Response Prediction Models Trained with Omics Data [43.57729817547386]
がん薬物応答予測モデルは、精度オンコロジーへの有望なアプローチを示す。深層学習(DL)法はこの分野で大きな可能性を秘めている。これは、より広い科学コミュニティによって改善され、テストされる、再利用可能で適応可能なモデルの必要性を強調している。
論文参考訳（メタデータ） (2024-09-18T16:08:28Z)
Predicting T-Cell Receptor Specificity [7.258321140371502]
我々は,ランダムフォレストアルゴリズムに基づいて,抗原セレクタとTCR分類器からなるTCR生成特異性検出フレームワークを構築した。モデルの性能を通常のディープラーニング手法と比較するために,k-fold Validation法を用いた。
論文参考訳（メタデータ） (2024-07-27T23:21:07Z)
Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文参考訳（メタデータ） (2023-11-30T15:11:03Z)
An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文参考訳（メタデータ） (2022-04-19T10:51:00Z)
Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-12T18:13:45Z)
Ensemble and Random Collaborative Representation-Based Anomaly Detector for Hyperspectral Imagery [133.83048723991462]
ハイパースペクトル異常検出(HAD)のための新しいアンサンブルおよびランダム共同表現型検出器(ERCRD)を提案する。 4つの実超スペクトルデータセットを用いた実験により,提案手法の精度と効率を10段階法と比較した。
論文参考訳（メタデータ） (2021-01-06T11:23:51Z)
Variational Temporal Deep Generative Model for Radar HRRP Target Recognition [39.01318281591659]
高分解能レンジプロファイル(HRRP)に基づくレーダ自動目標認識(RATR)のためのリカレントガンマ信念ネットワーク(rGBN)を開発した。提案したrGBNは、その時間的深層生成モデルを構築するためにガンマ分布の階層構造を採用する。 HRRPデータを用いた実験結果から,提案手法は計算効率が高く,高い分類精度と能力を有し,高い解釈性を有するマルチ確率層潜在構造が得られた。
論文参考訳（メタデータ） (2020-09-28T02:03:51Z)

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。