論文の概要: Inferring stochastic dynamics with growth from cross-sectional data

• arxiv url: http://arxiv.org/abs/2505.13197v1
• Date: Mon, 19 May 2025 14:51:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.668555
• Title: Inferring stochastic dynamics with growth from cross-sectional data
• Title（参考訳）: 断面データからの成長を伴う確率力学の推定
• Authors: Stephen Zhang, Suryanarayana Maddu, Xiaoje Qiu, Victor Chardès,
• Abstract要約: 本稿では,成長を伴うダイナミックスとしてモデル化された生物学的プロセスの課題に対処する,新しい確率フロー推定手法を提案する。 フォッカー・プランク方程式のラグランジアン定式化を利用して, 本手法は内在雑音や成長からドリフトを正確に解離する。
• 参考スコア（独自算出の注目度）: 1.6874375111244329
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-resolved single-cell omics data offers high-throughput, genome-wide measurements of cellular states, which are instrumental to reverse-engineer the processes underpinning cell fate. Such technologies are inherently destructive, allowing only cross-sectional measurements of the underlying stochastic dynamical system. Furthermore, cells may divide or die in addition to changing their molecular state. Collectively these present a major challenge to inferring realistic biophysical models. We present a novel approach, \emph{unbalanced} probability flow inference, that addresses this challenge for biological processes modelled as stochastic dynamics with growth. By leveraging a Lagrangian formulation of the Fokker-Planck equation, our method accurately disentangles drift from intrinsic noise and growth. We showcase the applicability of our approach through evaluation on a range of simulated and real single-cell RNA-seq datasets. Comparing to several existing methods, we find our method achieves higher accuracy while enjoying a simple two-step training scheme.
• Abstract（参考訳）: タイムリゾルド単一細胞オミクスデータは、細胞運命を支えるプロセスのリバースエンジニアリングに役立つ、高スループット、ゲノムワイドな細胞状態の測定を提供する。 このような技術は本質的に破壊的であり、基礎となる確率力学系の断面的な測定しかできない。 さらに、細胞は分子状態の変化に加えて分裂または死することもある。 これらは、現実的な生物物理学モデルを推定する上で大きな課題となる。 本稿では、成長を伴う確率力学をモデル化した生物学的プロセスのこの課題に対処する、新しいアプローチである「emph{un Balanced} probability flow inference」を提案する。 フォッカー・プランク方程式のラグランジアン定式化を利用して, 本手法は内在雑音や成長からドリフトを正確に解離する。 シミュレーションおよび実データを用いたRNA-seqデータセットの評価により,本手法の適用性を示す。 いくつかの既存手法と比較して,本手法は単純な2段階のトレーニングスキームを楽しみながら高い精度を実現する。

関連論文リスト

• Cellular Development Follows the Path of Minimum Action [1.751284969350841]
  細胞発達は, 自然界の力学系を支配する基礎的物理法則と整合して, 最小作用の経路に従うことが示唆された。 本稿では,最小アクションの原理と最大エントロピーの深い関係を利用して,トランスフォーマーアーキテクチャを用いた発達過程をモデル化する計算フレームワークを提案する。 本手法を単細胞および胚発生データセットにまたがって検証し,細胞内決定を形作る隠蔽熱力学および情報的制約を明らかにする能力を実証した。
  論文  参考訳（メタデータ） (2025-04-10T19:44:29Z)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• 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)
• 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)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
  本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。 これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
  論文  参考訳（メタデータ） (2022-11-07T15:47:40Z)
• Characterizing metastable states with the help of machine learning [26.851436041478866]
  まず、共形力学の変分法を用いてシミュレーションの最も遅い動的モードを発見する。 これにより、システムの異なる準安定状態が階層的に位置して組織化される。 メタスタブル状態を特徴付ける物理記述子は、機械学習手法により検出される。
  論文  参考訳（メタデータ） (2022-04-15T09:03:29Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。