論文の概要: Virtual Cells: Predict, Explain, Discover

• arxiv url: http://arxiv.org/abs/2505.14613v1
• Date: Tue, 20 May 2025 16:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.599168
• Title: Virtual Cells: Predict, Explain, Discover
• Title（参考訳）: 仮想細胞:予測、説明、発見
• Authors: Emmanuel Noutahi, Jason Hartford, Prudencio Tossou, Shawn Whitfield, Alisandra K. Denton, Cas Wognum, Kristina Ulicna, Jonathan Hsu, Michael Cuccarese, Emmanuel Bengio, Dominique Beaini, Christopher Gibson, Daniel Cohen, Berton Earnshaw,
• Abstract要約: Recursionでの経験に基づく仮想細胞の開発と評価のビジョンを提示する。 我々は、新しい生物学を発見するのに有用なツールとして、仮想細胞は、摂動に対する細胞の機能的応答を正確に予測する必要があると論じる。 次に、治療関連仮想細胞を設計するための鍵となる原則を導入し、新たな洞察を生み出すためのループ内アプローチを記述し、仮想細胞開発を導くための生物学的基盤ベンチマークを提唱する。
• 参考スコア（独自算出の注目度）: 7.966904378145155
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Drug discovery is fundamentally a process of inferring the effects of treatments on patients, and would therefore benefit immensely from computational models that can reliably simulate patient responses, enabling researchers to generate and test large numbers of therapeutic hypotheses safely and economically before initiating costly clinical trials. Even a more specific model that predicts the functional response of cells to a wide range of perturbations would be tremendously valuable for discovering safe and effective treatments that successfully translate to the clinic. Creating such virtual cells has long been a goal of the computational research community that unfortunately remains unachieved given the daunting complexity and scale of cellular biology. Nevertheless, recent advances in AI, computing power, lab automation, and high-throughput cellular profiling provide new opportunities for reaching this goal. In this perspective, we present a vision for developing and evaluating virtual cells that builds on our experience at Recursion. We argue that in order to be a useful tool to discover novel biology, virtual cells must accurately predict the functional response of a cell to perturbations and explain how the predicted response is a consequence of modifications to key biomolecular interactions. We then introduce key principles for designing therapeutically-relevant virtual cells, describe a lab-in-the-loop approach for generating novel insights with them, and advocate for biologically-grounded benchmarks to guide virtual cell development. Finally, we make the case that our approach to virtual cells provides a useful framework for building other models at higher levels of organization, including virtual patients. We hope that these directions prove useful to the research community in developing virtual models optimized for positive impact on drug discovery outcomes.
• Abstract（参考訳）: 薬物発見は、基本的には患者に対する治療の効果を推測するプロセスであり、そのため、患者反応を確実にシミュレートできる計算モデルから大きな恩恵を受ける。 より具体的なモデルでさえ、幅広い摂動に対する細胞の機能的反応を予測することは、クリニックに翻訳する安全で効果的な治療法を発見するのに非常に有益である。 このような仮想細胞を作ることは、残念なことに細胞生物学の複雑さと規模を考えれば、いまだに達成されていない計算研究コミュニティの目標だった。 それでも、AI、コンピューティングパワー、ラボ自動化、高スループットセルプロファイリングの最近の進歩は、この目標を達成するための新たな機会を提供する。 この観点から、我々はRecursionでの経験に基づく仮想細胞の開発と評価のビジョンを提示する。 我々は、新しい生物学を発見できる有用なツールとして、仮想細胞は、摂動に対する細胞の機能的応答を正確に予測し、その予測応答が、重要な生体分子相互作用に対する変化の結果である、と論じる。 次に、治療関連仮想細胞を設計するための鍵となる原則を導入し、新たな洞察を生み出すためのループ内アプローチを記述し、仮想細胞開発を導くための生物学的基盤ベンチマークを提唱する。 最後に、我々の仮想細胞へのアプローチは、仮想患者を含むより高いレベルの組織で他のモデルを構築する上で有用なフレームワークを提供する。 薬物発見結果に肯定的な影響を与えるよう最適化された仮想モデルを開発する上で,これらの方向性が研究コミュニティにとって有効であることを期待する。

関連論文リスト

• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Efficient Fine-Tuning of Single-Cell Foundation Models Enables Zero-Shot Molecular Perturbation Prediction [0.9433990107181004]
  本研究では,数千万の単細胞上で事前学習した単一細胞基盤モデル(FM)を利用する。 本稿では,基礎モデルの1%未満のトレーニングにより,効率的な微調整を可能にする薬物調和アダプタを提案する。
  論文  参考訳（メタデータ） (2024-12-18T03:42:20Z)
• How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities [46.671834972945874]
  仮想セル構築にAIの進歩を活用するというビジョンを提案する。 我々は、生物の普遍的な表現を含む、そのようなAI仮想セルの望ましい能力について議論する。 我々は、AI仮想細胞が新しい薬物標的を特定し、摂動に対する細胞反応を予測し、スケール仮説を探索する未来を想像する。
  論文  参考訳（メタデータ） (2024-09-18T02:41:50Z)
• 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)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• 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。