論文の概要: Joint Velocity-Growth Flow Matching for Single-Cell Dynamics Modeling

• arxiv url: http://arxiv.org/abs/2505.13413v1
• Date: Mon, 19 May 2025 17:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.786015
• Title: Joint Velocity-Growth Flow Matching for Single-Cell Dynamics Modeling
• Title（参考訳）: 単セルダイナミクスモデリングのための関節速度-成長流マッチング
• Authors: Dongyi Wang, Yuanwei Jiang, Zhenyi Zhang, Xiang Gu, Peijie Zhou, Jian Sun,
• Abstract要約: 破壊的な測定手法と細胞増殖・死の結果、スナップショット間の不均衡および不均衡なデータが得られる。 単細胞個体群における状態遷移と大量成長を共同で学習する新パラダイムであるVelocity-Growth Flow Matchingを提案する。 VGFMは、静的半緩和された最適輸送の2周期の動的理解によって駆動される、状態速度と質量の成長速度を含む理想的な単一セルダイナミクスを構築する。
• 参考スコア（独自算出の注目度）: 36.0492773489553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the underlying dynamics of single cells from snapshot data has gained increasing attention in scientific and machine learning research. The destructive measurement technique and cell proliferation/death result in unpaired and unbalanced data between snapshots, making the learning of the underlying dynamics challenging. In this paper, we propose joint Velocity-Growth Flow Matching (VGFM), a novel paradigm that jointly learns state transition and mass growth of single-cell populations via flow matching. VGFM builds an ideal single-cell dynamics containing velocity of state and growth of mass, driven by a presented two-period dynamic understanding of the static semi-relaxed optimal transport, a mathematical tool that seeks the coupling between unpaired and unbalanced data. To enable practical usage, we approximate the ideal dynamics using neural networks, forming our joint velocity and growth matching framework. A distribution fitting loss is also employed in VGFM to further improve the fitting performance for snapshot data. Extensive experimental results on both synthetic and real datasets demonstrate that VGFM can capture the underlying biological dynamics accounting for mass and state variations over time, outperforming existing approaches for single-cell dynamics modeling.
• Abstract（参考訳）: スナップショットデータから単一細胞の基盤となるダイナミクスを学習することは、科学と機械学習の研究で注目を集めている。 破壊的な測定技術と細胞増殖/死の結果、スナップショット間の不均衡なデータが発生し、基礎となるダイナミクスの学習が困難になる。 本稿では,単細胞個体群の状態遷移と大量成長をフローマッチングにより共同で学習する新しいパラダイムとして,VGFM(Velocity-Growth Flow Matching)を提案する。 VGFMは、未ペアデータと不均衡データの結合を求める数学的ツールである静的半緩和最適輸送の2周期の動的理解によって駆動される、状態速度と質量の成長速度を含む理想的な単一セルダイナミクスを構築している。 実用化するために,ニューラルネットワークを用いて理想的な力学を近似し,関節速度と成長マッチングの枠組みを構築した。 また、VGFMでは、スナップショットデータの嵌合性能をさらに向上するため、分散嵌合損失も採用されている。 合成データと実データの両方に対する大規模な実験結果から、VGFMは、時間とともに質量と状態の変動を考慮した基礎となる生物学的ダイナミクスを捉えることができ、シングルセル・ダイナミックス・モデリングにおける既存のアプローチよりも優れていることが示された。

関連論文リスト

• Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schrödinger Bridge [9.229946487941056]
  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。
  論文  参考訳（メタデータ） (2025-05-16T12:55:13Z)
• Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models [3.780691701083858]
  本研究では,Long Short-Term Memory (LSTM) アーキテクチャと高次特異値分解を革新的に統合し,流体力学における低次モデリング(ROM)の複雑さに対処する。 この手法は、2次元および3次元のシリンダー流(2次元および3次元)を含む数値的および実験的なデータセットで試験される。 その結果、HOSVDは、異なるエラーメトリクスを用いて証明されたように、すべてのテストシナリオでSVDより優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-09T10:56:03Z)
• Combined Optimization of Dynamics and Assimilation with End-to-End Learning on Sparse Observations [1.492574139257933]
  CODAは、疎度でノイズの多い観測から、ダイナミックスとDAを直接学習するエンドツーエンドの最適化スキームである。 本研究では,非ロール型自己回帰力学と,弱い制約を持つ4Dvar DAのデータと自己整合性を組み合わせた新たな学習目標を提案する。
  論文  参考訳（メタデータ） (2024-09-11T09:36:15Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• 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)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。