論文の概要: Inherited or produced? Inferring protein production kinetics when protein counts are shaped by a cell's division history

• arxiv url: http://arxiv.org/abs/2506.09374v2
• Date: Mon, 30 Jun 2025 22:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-02 17:57:15.57044
• Title: Inherited or produced? Inferring protein production kinetics when protein counts are shaped by a cell's division history
• Title（参考訳）: 遺伝か生産か?細胞分裂史によってタンパク質数が形成されるときのタンパク質産生動態の推測
• Authors: Pedro Pessoa, Juan Andres Martinez, Vincent Vandenbroucke, Frank Delvigne, Steve Pressé,
• Abstract要約: 分裂細胞に対するタンパク質産生動態の推測は、母細胞からの複雑なタンパク質の継承である。 蛍光測定は、新しく作られたタンパク質だけでなく、連続した細胞分裂によって引き継がれたタンパク質を反映することがある。 グリコーゲン合成に関わる酵母のglc3遺伝子の活性化を調べた。
• 参考スコア（独自算出の注目度）: 1.8802008255570535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inferring protein production kinetics for dividing cells is complicated protein inheritance from the mother cell. For instance, fluorescence measurements -- commonly used to assess gene activation -- may reflect not only newly produced proteins but also those inherited through successive cell divisions. In such cases, observed protein levels in any given cell are shaped by its division history. As a case study, we examine activation of the glc3 gene in yeast involved in glycogen synthesis and expressed under nutrient-limiting conditions. We monitor this activity using snapshot fluorescence measurements via flow cytometry, where GFP expression reflects glc3 promoter activity. A na\"ive analysis of flow cytometry data ignoring cell division suggests many cells are active with low expression. Explicitly accounting for the (non-Markovian) effects of cell division and protein inheritance makes it impossible to write down a tractable likelihood -- a key ingredient in physics-inspired inference, defining the probability of observing data given a model. The dependence on a cell's division history breaks the assumptions of standard (Markovian) master equations, rendering traditional likelihood-based approaches inapplicable. Instead, we adapt conditional normalizing flows (a class of neural network models designed to learn probability distributions) to approximate otherwise intractable likelihoods from simulated data. In doing so, we find that glc3 is mostly inactive under stress, showing that while cells occasionally activate the gene, expression is brief and transient.
• Abstract（参考訳）: 分裂細胞に対するタンパク質産生動態の推測は、母細胞からの複雑なタンパク質の継承である。 例えば、一般的に遺伝子の活性化を評価するために使用される蛍光測定は、新しく作られたタンパク質だけでなく、連続した細胞分裂によって継承されたタンパク質も反映する可能性がある。 このような場合、任意の細胞で観察されたタンパク質のレベルはその分裂の歴史によって形成される。 本研究は,グリコーゲン合成に関わる酵母のglc3遺伝子の活性化と,栄養制限条件下での発現について検討した。 GFP発現はglc3プロモーター活性を反映する。 細胞分裂を無視するフローサイトメトリーデータの「Na\」分析は、多くの細胞が低発現で活動していることを示唆している。 細胞分裂とタンパク質の遺伝の(非マルコフ的な)効果を明示的に説明することは、物理的にインスパイアされた推論において重要な要素である、抽出可能な可能性を書き留めることが不可能となり、モデルに与えられたデータを観測する確率を定義する。 セルの分割履歴への依存は、標準(マルコフ)マスター方程式の仮定を破り、従来の可能性に基づくアプローチは適用できない。 代わりに、条件付き正規化フロー(確率分布を学習するために設計されたニューラルネットワークモデルのクラス)をシミュレートされたデータから、他の方法では難解な可能性の近似に適応する。 こうすることで、glc3はほとんどがストレス下で不活性であり、細胞が時折遺伝子を活性化する一方で、発現は簡潔で過渡的であることを示す。

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)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• 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 Representation Learning Enables Accurate Protein Function Prediction in Low-Data Setting [0.0]
  HOPER(Holistic ProtEin Representation)は、低データ設定でタンパク質機能予測(PFP)を強化するために設計された新しいフレームワークである。 本研究は,生物研究におけるデータ制限を克服するためのマルチモーダル表現学習の有効性を強調した。
  論文  参考訳（メタデータ） (2024-11-22T20:13:55Z)
• Learning Identifiable Factorized Causal Representations of Cellular Responses [8.730245348529314]
  本稿では, 単一細胞摂動データにおける因果構造を明らかにするFCR学習法を提案する。 FCRは、切り離された複数の細胞表現を学習する。 我々は$mathbfz_tx$と$mathbfz_tx$と$mathbfz_tx$のブロック単位の識別可能性を証明する。
  論文  参考訳（メタデータ） (2024-10-29T19:05:22Z)
• Long-context Protein Language Modeling Using Bidirectional Mamba with Shared Projection Layers [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで本研究では,選択的構造化状態空間モデルに基づく代替タンパク質であるBiMamba-Sに基づくLC-PLMを提案する。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• Range, not Independence, Drives Modularity in Biologically Inspired Representations [52.48094670415497]
  我々は、生物学的にインスピレーションを受けたネットワークが、ソース変数(ソース)の表現をモジュール化する理論を開発する。 我々は、最適な線形オートエンコーダのニューロンがモジュラー化するかどうかを決定するソースのサンプルに対して、必要かつ十分な条件を導出する。 我々の理論はどんなデータセットにも当てはまり、以前の研究で研究された統計的な独立性よりもはるかに長い。
  論文  参考訳（メタデータ） (2024-10-08T17:41:37Z)
• 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)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• PhagoStat a scalable and interpretable end to end framework for efficient quantification of cell phagocytosis in neurodegenerative disease studies [0.0]
  本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。 提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。 我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T18:10:35Z)
• Zyxin is all you need: machine learning adherent cell mechanics [0.0]
  データ駆動型生体物理モデリング手法を開発し、接着細胞の力学的挙動を学習する。 まず、細胞骨格タンパク質の画像から付着細胞が生成する力を予測するためにニューラルネットワークを訓練する。 次に、我々は、細胞力のデータ駆動モデルを構築するのに役立つ2つのアプローチ(一つは物理学によって明示的に制約された、もう一つは連続体)を開発します。
  論文  参考訳（メタデータ） (2023-03-01T02:08:40Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• Variational Mixtures of ODEs for Inferring Cellular Gene Expression Dynamics [0.0]
  計算生物学の鍵となる問題は、細胞運命の遷移を制御する遺伝子発現の変化を発見することである。 我々は常微分方程式の変分混合と呼ばれるアプローチを開発する。 我々は各細胞の潜時と潜時状態を同時に推測し、その将来的な遺伝子発現状態を予測できる。
  論文  参考訳（メタデータ） (2022-07-09T00:50:45Z)
• A probabilistic latent variable model for detecting structure in binary data [0.6767885381740952]
  スパースバイナリデータにおけるパターンの雑音や近似的な繰り返しを検出するために,新しい確率的二項潜在変数モデルを導入する。 モデルの能力は、網膜ニューロンから記録された構造を抽出することによって示される。 映画刺激時の網膜神経節細胞に記録されたスパイク応答に本モデルを適用した。
  論文  参考訳（メタデータ） (2022-01-26T18:37:35Z)
• Distinguishing Cell Phenotype Using Cell Epigenotype [0.0]
  顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。 既存の手法とは対照的に,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合でも,マクロ分子データから細胞型を予測する統一的なアプローチを開発する。
  論文  参考訳（メタデータ） (2020-03-20T18:00:07Z)

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。