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

• arxiv url: http://arxiv.org/abs/2504.14361v2
• Date: Tue, 13 May 2025 15:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 16:45:08.856976
• 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: 本研究では,既存の薬物反応予測フレームワークの性能向上を図るために,事前学習した基礎モデルである scGPT を組み込むことが有効かどうかを検討する。 scGPTは従来のアプローチより優れているだけでなく、トレーニングの安定性も向上し、SCGPT由来の知識を活用する価値を強調している。
• 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: AI-driven drug response prediction holds great promise for advancing personalized cancer treatment. However, the inherent heterogenity of cancer and high cost of data generation make accurate prediction challenging. In this study, we investigate whether incorporating the pretrained foundation model scGPT can enhance the performance of existing drug response prediction frameworks. Our approach builds on the DeepCDR framework, which encodes drug representations from graph structures and cell representations from multi-omics profiles. We adapt this framework by leveraging scGPT to generate enriched cell representations using its pretrained knowledge to compensate for limited amount of data. We evaluate our modified framework using IC$_{50}$ values on Pearson correlation coefficient (PCC) and a leave-one-drug out validation strategy, comparing it against the original DeepCDR framework and a prior scFoundation-based approach. scGPT not only outperforms previous approaches but also exhibits greater training stability, highlighting the value of leveraging scGPT-derived knowledge in this domain.
• Abstract（参考訳）: AIによる薬物反応予測は、パーソナライズされたがん治療を前進させる大きな可能性を秘めている。 しかし、癌の本質的な異質性と高コストのデータ生成は正確な予測を困難にしている。 本研究では,既存の薬物反応予測フレームワークの性能向上を図るために,事前学習した基礎モデルである scGPT を組み込むことが有効かどうかを検討する。 提案手法は,グラフ構造からの薬物表現とマルチオミクスプロファイルからの細胞表現をエンコードするDeepCDRフレームワーク上に構築されている。 我々は、SCGPTを活用して、その事前訓練された知識を用いてリッチなセル表現を生成し、限られた量のデータに補償することで、この枠組みを適応する。 我々は,Pearson相関係数(PCC)のIC$_{50}$値と,元のDeepCDRフレームワークとそれ以前のScFoundationベースのアプローチを比較して,Pearson相関係数(PCC)とLeft-one-drugアウトバリデーション戦略を用いた修正フレームワークの評価を行った。 scGPTは従来のアプローチより優れているだけでなく、トレーニングの安定性も向上している。

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。

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。