Fugu-MT 論文翻訳(概要): STAGED: A Multi-Agent Neural Network for Learning Cellular Interaction Dynamics

論文の概要: STAGED: A Multi-Agent Neural Network for Learning Cellular Interaction Dynamics

arxiv url: http://arxiv.org/abs/2507.11660v1
Date: Tue, 15 Jul 2025 18:46:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-17 19:00:11.114321
Title: STAGED: A Multi-Agent Neural Network for Learning Cellular Interaction Dynamics
Title（参考訳）: STAGED:細胞間相互作用のダイナミクスを学習するマルチエージェントニューラルネットワーク
Authors: Joao F. Rocha, Ke Xu, Xingzhi Sun, Ananya Krishna, Dhananjay Bhaskar, Blanche Mongeon, Morgan Craig, Mark Gerstein, Smita Krishnaswamy,
Abstract要約: 単一細胞技術は、正常および疾患の条件下での様々な組織における細胞状態とサブポピュレーションの理解を改善した。空間転写学では、細胞状態の変化につながる動的細胞-細胞相互作用とともに、細胞組織を表現することができる。細胞間通信をモデル化するための時空間エージェントベースグラフ進化ダイナミクス(STAGED)とその細胞内遺伝子制御ネットワークへの影響について紹介する。
参考スコア（独自算出の注目度）: 8.659754814655303
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The advent of single-cell technology has significantly improved our understanding of cellular states and subpopulations in various tissues under normal and diseased conditions by employing data-driven approaches such as clustering and trajectory inference. However, these methods consider cells as independent data points of population distributions. With spatial transcriptomics, we can represent cellular organization, along with dynamic cell-cell interactions that lead to changes in cell state. Still, key computational advances are necessary to enable the data-driven learning of such complex interactive cellular dynamics. While agent-based modeling (ABM) provides a powerful framework, traditional approaches rely on handcrafted rules derived from domain knowledge rather than data-driven approaches. To address this, we introduce Spatio Temporal Agent-Based Graph Evolution Dynamics(STAGED) integrating ABM with deep learning to model intercellular communication, and its effect on the intracellular gene regulatory network. Using graph ODE networks (GDEs) with shared weights per cell type, our approach represents genes as vertices and interactions as directed edges, dynamically learning their strengths through a designed attention mechanism. Trained to match continuous trajectories of simulated as well as inferred trajectories from spatial transcriptomics data, the model captures both intercellular and intracellular interactions, enabling a more adaptive and accurate representation of cellular dynamics.
Abstract（参考訳）: 単一細胞技術の出現は、クラスタリングや軌跡推論といったデータ駆動のアプローチを用いて、正常および疾患の条件下での様々な組織における細胞状態とサブポピュレーションの理解を著しく改善した。しかし,これらの手法は細胞を個体群分布の独立したデータポイントとみなしている。空間転写学では、細胞状態の変化につながる動的細胞-細胞相互作用とともに、細胞組織を表現することができる。それでも、このような複雑なインタラクティブな細胞力学のデータ駆動学習を可能にするためには、重要な計算の進歩が必要である。エージェントベースのモデリング(ABM)は強力なフレームワークを提供するが、従来のアプローチはデータ駆動のアプローチではなく、ドメイン知識から派生した手作りのルールに依存している。そこで本研究では,ABMと深層学習を統合した時空間エージェントによるグラフ進化ダイナミクス(STAGED)を導入し,細胞間通信をモデル化し,その細胞内遺伝子制御ネットワークへの影響について検討する。細胞タイプ毎の共有重み付きグラフODEネットワーク(GDE)を用いて,遺伝子を頂点として,相互作用を有向エッジとして表現し,設計した注意機構を通じてその強みを動的に学習する。空間転写学データから推定された軌道とシミュレーションされた連続的な軌道とを一致させるために訓練されたこのモデルは、細胞間相互作用と細胞内相互作用の両方をキャプチャし、より適応的で正確な細胞動態の表現を可能にする。

関連論文リスト

HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data [13.66950862644406]
本稿では,空間転写学データのための階層型グラフトランスフォーマーモデルHEISTを紹介する。 HEISTは15の臓器にまたがる124の組織から22.3M細胞で事前訓練されている。細胞埋め込みにおける微小環境の影響を効果的にコードし、空間的にインフォームドされたサブ集団の発見を可能にする。
論文参考訳（メタデータ） (2025-06-11T12:29:01Z)
Joint Velocity-Growth Flow Matching for Single-Cell Dynamics Modeling [36.0492773489553]
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。
論文参考訳（メタデータ） (2025-05-19T17:48:04Z)
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)
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)
DynaCLR: Contrastive Learning of Cellular Dynamics with Temporal Regularization [0.5385157903509136]
DynaCLRは、時間経過画像の表現のコントラスト学習を通じて、細胞とオルガネラのダイナミクスを埋め込む自己教師型の方法である。我々は単細胞追跡と時間認識のコントラストサンプリングを統合して、セルダイナミクスの頑健で時間的に正規化された表現を学習する。
論文参考訳（メタデータ） (2024-10-15T05:01:25Z)
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)
Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文参考訳（メタデータ） (2024-07-14T04:41:16Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文参考訳（メタデータ） (2023-11-04T16:42:42Z)
Learning Anisotropic Interaction Rules from Individual Trajectories in a Heterogeneous Cellular Population [0.0]
細胞群集の運動をモデル化するための第2次IPSのためのWSINDyを開発する。本手法は,異種細胞集団の動態を規定する相互作用規則を学習する。本研究では, 一般的な細胞移動実験を動機とした, いくつかのテストシナリオにおいて, 提案手法の有効性と性能を実証する。
論文参考訳（メタデータ） (2022-04-29T15:00:21Z)
TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文参考訳（メタデータ） (2020-02-09T21:00:38Z)

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。