論文の概要: Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schrödinger Bridge

• arxiv url: http://arxiv.org/abs/2505.11197v1
• Date: Fri, 16 May 2025 12:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.981187
• Title: Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schrödinger Bridge
• Title（参考訳）: 非平衡平均場シュレーディンガー橋による細胞動態と相互作用のモデル化
• Authors: Zhenyi Zhang, Zihan Wang, Yuhao Sun, Tiejun Li, Peijie Zhou,
• Abstract要約: CytoBridgeは、Un Balanced MeanField Schr"odinger Bridge (UMFSB) 問題を近似するために設計されたディープラーニングアルゴリズムである。 ニューラルネットワークを通じて細胞移行、増殖、相互作用を明示的にモデル化することで、CytoBridgeはこれらのプロセスをデータから直接学習する柔軟性を提供する。
• 参考スコア（独自算出の注目度）: 9.229946487941056
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modeling the dynamics from sparsely time-resolved snapshot data is crucial for understanding complex cellular processes and behavior. Existing methods leverage optimal transport, Schr\"odinger bridge theory, or their variants to simultaneously infer stochastic, unbalanced dynamics from snapshot data. However, these approaches remain limited in their ability to account for cell-cell interactions. This integration is essential in real-world scenarios since intercellular communications are fundamental life processes and can influence cell state-transition dynamics. To address this challenge, we formulate the Unbalanced Mean-Field Schr\"odinger Bridge (UMFSB) framework to model unbalanced stochastic interaction dynamics from snapshot data. Inspired by this framework, we further propose CytoBridge, a deep learning algorithm designed to approximate the UMFSB problem. By explicitly modeling cellular transitions, proliferation, and interactions through neural networks, CytoBridge offers the flexibility to learn these processes directly from data. The effectiveness of our method has been extensively validated using both synthetic gene regulatory data and real scRNA-seq datasets. Compared to existing methods, CytoBridge identifies growth, transition, and interaction patterns, eliminates false transitions, and reconstructs the developmental landscape with greater accuracy.
• Abstract（参考訳）: 細かな時間分解スナップショットデータからダイナミクスをモデル化することは、複雑な細胞プロセスや振る舞いを理解する上で重要である。 既存の方法は最適な輸送、シュリンガー橋理論またはそれらの変種を利用して、スナップショットデータから確率的、不均衡な力学を同時に推定する。 しかし、これらのアプローチは細胞間相互作用を考慮に入れられる能力に限られている。 この統合は、細胞間通信が基本的な生命過程であり、細胞状態遷移ダイナミクスに影響を与えるため、現実世界のシナリオにおいて不可欠である。 この課題に対処するため、スナップショットデータから不均衡な確率的相互作用ダイナミクスをモデル化するために、Un Balanced Mean-Field Schr\"odinger Bridge (UMFSB) フレームワークを定式化する。 このフレームワークに着想を得て,UMFSB問題を近似したディープラーニングアルゴリズムであるCytoBridgeを提案する。 ニューラルネットワークを通じて細胞移行、増殖、相互作用を明示的にモデル化することで、CytoBridgeはこれらのプロセスをデータから直接学習する柔軟性を提供する。 本手法の有効性は、合成遺伝子制御データと実際のcRNA-seqデータセットの両方を用いて広く検証されている。 既存の方法と比較すると、CytoBridgeは成長、遷移、相互作用パターンを特定し、偽の遷移を排除し、より正確な開発環境を再構築する。

関連論文リスト

• Learning stochastic dynamics from snapshots through regularized unbalanced optimal transport [1.6678419461030687]
  少ない時間分解スナップショットからのサンプルを使用して動的に再構築することは、自然科学と機械学習の両方において重要な問題である。 本稿では、正規化された不均衡な最適輸送(RUOT)を解き、観察されたスナップショットから連続的な不均衡なダイナミクスを推定するための新しいディープラーニング手法を提案する。 本手法は,RUOT形式に基づいて,成長・死過程の事前知識や追加情報を必要とせず,これらのダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2024-10-01T16:25:03Z)
• 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)
• Aligned Diffusion Schrödinger Bridges [41.95944857946607]
  Diffusion Schr"odinger Bridges (DSBs) は、最近、異なる時間点における限界観測を通してダイナミクスを回復するための強力なフレームワークとして登場した。 これまで、DSBを解くための既存のアルゴリズムは、整列データの構造を活用できなかった。 本稿では,データアライメントを尊重しながらDSBを初めて解決する新しいアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T14:55:57Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
  本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。 単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
  論文  参考訳（メタデータ） (2020-02-09T21:00:38Z)

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。