論文の概要: Synthetic MC via Biological Transmitters: Therapeutic Modulation of the Gut-Brain Axis

• arxiv url: http://arxiv.org/abs/2507.07604v1
• Date: Thu, 10 Jul 2025 10:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.354515
• Title: Synthetic MC via Biological Transmitters: Therapeutic Modulation of the Gut-Brain Axis
• Title（参考訳）: 生体透過体による合成MC:Gut-Brain軸の制御
• Authors: Sebastian Lotter, Elisabeth Mohr, Andrina Rutsch, Lukas Brand, Francesca Ronchi, Laura Díaz-Marugán,
• Abstract要約: 内脳軸(GBA)の変調により間接的に信号を生成するSMCシステムを提案する。 本稿では、体内IoBNTデバイスによって収集された個人健康データを活用し、より汎用的で堅牢なGAA変調に基づく治療を設計することを提案する。
• 参考スコア（独自算出の注目度）: 1.5426221974385617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic molecular communication (SMC) is a key enabler for future healthcare systems in which Internet of Bio-Nano-Things (IoBNT) devices facilitate the continuous monitoring of a patient's biochemical signals. To close the loop between sensing and actuation, both the detection and the generation of in-body molecular communication (MC) signals is key. However, generating signals inside the human body, e.g., via synthetic nanodevices, poses a challenge in SMC, due to technological obstacles as well as legal, safety, and ethical issues. Hence, this paper considers an SMC system in which signals are generated indirectly via the modulation of a natural in-body MC system, namely the gut-brain axis (GBA). Therapeutic GBA modulation is already established as treatment for neurological diseases, e.g., drug refractory epilepsy (DRE), and performed via the administration of nutritional supplements or specific diets. However, the molecular signaling pathways that mediate the effect of such treatments are mostly unknown. Consequently, existing treatments are standardized or designed heuristically and able to help only some patients while failing to help others. In this paper, we propose to leverage personal health data, e.g., gathered by in-body IoBNT devices, to design more versatile and robust GBA modulation-based treatments as compared to the existing ones. To show the feasibility of our approach, we define a catalog of theoretical requirements for therapeutic GBA modulation. Then, we propose a machine learning model to verify these requirements for practical scenarios when only limited data on the GBA modulation exists. By evaluating the proposed model on several datasets, we confirm its excellent accuracy in identifying different modulators of the GBA. Finally, we utilize the proposed model to identify specific modulatory pathways that play an important role for therapeutic GBA modulation.
• Abstract（参考訳）: 合成分子通信(SMC)は、インターネット・オブ・バイオ・ナノ・シングス(IoBNT)デバイスが患者の生化学信号の連続的なモニタリングを容易にする将来の医療システムにとって重要な手段である。 センサとアクティベーションの間のループを閉じるには、体内分子通信(MC)信号の検出と生成の両方が重要である。 しかしながら、合成ナノデバイスを介して人体内部の信号を生成することは、法的、安全性、倫理的問題と同様に技術的な障害のため、SMCにおいて課題となる。 そこで本研究では,自然体内MCシステムの変調,すなわち内脳軸(GBA)を介して間接的に信号を生成するSMCシステムについて考察する。 神経疾患、例えば薬物難治性てんかん(DRE)の治療としてすでに確立されており、栄養補助薬または特定の食事の投与を通じて行われている。 しかし、そのような治療の効果を媒介する分子シグナル伝達経路はほとんど不明である。 その結果、既存の治療法は標準化されるか、ヒューリスティックに設計され、他者を助けるのに失敗しながら一部の患者を助けることができる。 本稿では、体内IoBNTデバイスによって収集された個人健康データを利用して、より汎用的でロバストなGAA変調ベースの治療法を設計することを提案する。 提案手法の有効性を示すため,GBA治療における理論的要件のカタログを定義した。 そこで本研究では,GAA変調に関する限られたデータのみが存在する場合に,これらの要件を実用シナリオで検証する機械学習モデルを提案する。 提案したモデルを複数のデータセット上で評価することにより,GAAの異なる変調器を同定する際の精度を良好に検証する。 最後に, 本モデルを用いて, GBA調節に重要な役割を担う特定の調節経路を同定する。

関連論文リスト

• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Towards Robust Multimodal Physiological Foundation Models: Handling Arbitrary Missing Modalities [9.785262633953794]
  生理オムニ (Phylo Omni) は、マルチモーダルな生理的信号解析の基礎モデルである。 分離されたマルチモーダル・トークンーザを訓練し、マスクされた信号の事前訓練を可能にする。 最先端のパフォーマンスを達成しつつ、モダリティの欠如に対して強い堅牢性を維持します。
  論文  参考訳（メタデータ） (2025-04-28T09:00:04Z)
• COMFORT: A Continual Fine-Tuning Framework for Foundation Models Targeted at Consumer Healthcare [3.088223994180069]
  COMFORTはTransformerベースの基盤モデルとWMSベースの疾患検出のギャップを埋めることを目的としている。 本稿では,トランスフォーマーに基づく基礎モデルを生理的信号の大規模データセット上で事前学習するための新しいアプローチを提案する。 次に、低ランク適応(LoRA)とその変種など、パラメータ効率のよい各種細調整法(PEFT)を用いて、モデルを微調整し、下流の様々な疾患検出タスクに適応させる。
  論文  参考訳（メタデータ） (2024-09-14T22:24:52Z)
• EEG-EMG FAConformer: Frequency Aware Conv-Transformer for the fusion of EEG and EMG [0.0]
  運動パターン認識パラダイムは、運動機能回復を目的としたBrain-Computer Interfaceの主要な形態である。 筋電図(EMG)信号は、運動の実行を評価する最も直接的な生理的信号である。 脳波とEMG信号に対するマルチモーダル動作パターン認識アルゴリズム:EEG-EMG FAConformerを提案する。
  論文  参考訳（メタデータ） (2024-09-12T14:08:56Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural Network [1.869097450593631]
  本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。 提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
  論文  参考訳（メタデータ） (2022-02-12T19:27:06Z)

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。