論文の概要: Deep learning of geometrical cell division rules

• arxiv url: http://arxiv.org/abs/2507.22587v1
• Date: Wed, 30 Jul 2025 11:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.173804
• Title: Deep learning of geometrical cell division rules
• Title（参考訳）: 幾何学的細胞分裂規則の深層学習
• Authors: Alexandre Durrmeyer, Jean-Christophe Palauqui, Philippe Andrey,
• Abstract要約: セル形状と分割平面位置決めの関係をデータベースで検討する手法を提案する。 UNetアーキテクチャを用いて,母細胞形状から分割パターンを学習し,予測する方法を示す。
• 参考スコア（独自算出の注目度）: 45.24832437237368
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The positioning of new cellular walls during cell division plays a key role in shaping plant tissue organization. The influence of cell geometry on the positioning of division planes has been previously captured into various geometrical rules. Accordingly, linking cell shape to division orientation has relied on the comparison between observed division patterns and predictions under specific rules. The need to define a priori the tested rules is a fundamental limitation of this hypothesis-driven approach. As an alternative, we introduce a data-based approach to investigate the relation between cell geometry and division plane positioning, exploiting the ability of deep neural network to learn complex relationships across multidimensional spaces. Adopting an image-based cell representation, we show how division patterns can be learned and predicted from mother cell geometry using a UNet architecture modified to operate on cell masks. Using synthetic data and A. thaliana embryo cells, we evaluate the model performances on a wide range of diverse cell shapes and division patterns. We find that the trained model accounted for embryo division patterns that were previously irreconcilable under existing geometrical rules. Our work shows the potential of deep networks to understand cell division patterns and to generate new hypotheses on the control of cell division positioning.
• Abstract（参考訳）: 細胞分裂における新しい細胞壁の位置は、植物組織の形成において重要な役割を担っている。 分裂面の位置に対する細胞幾何学の影響は、以前は様々な幾何学的規則に捉えられていた。 したがって, 細胞形状と分裂方向の関連付けは, 特定の規則下での観察された分裂パターンと予測との比較に頼っている。 テストされたルールの優先順位を定義する必要性は、この仮説駆動アプローチの基本的な制限である。 代案として,多次元空間における複雑な関係を学習する深層ニューラルネットワークの能力を活用し,セル幾何学と分割平面位置決めの関係をデータベースで検討する手法を提案する。 画像に基づく細胞表現を採用することで、UNetアーキテクチャを用いて母細胞形状から分割パターンを学習し、予測し、セルマスク上で動作させる方法を示す。 人工データとA. thaliana胚細胞を用いて,多様な細胞形態と分裂パターンのモデル性能を評価した。 トレーニングされたモデルでは,既存の幾何学的規則の下では不可能であった胚分裂パターンが説明できることがわかった。 本研究は, 細胞分裂パターンを理解し, 細胞分裂位置の制御に関する新たな仮説を創出する深層ネットワークの可能性を示す。

関連論文リスト

• The Geometry of Machine Learning Models [0.0]
  本稿では,機械学習モデル解析のためのフレームワークを提案する。 ニューラルネットワークでは、プルバック操作を通じて層を通して幾何学的構造を追跡する微分形式アプローチを導入する。 数学的基礎に焦点が当てられているが、この幾何学的視点は、学習力学を理解するためのモデル解釈、正規化、診断ツールに対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2025-08-04T05:45:52Z)
• Reconstructing Cell Lineage Trees from Phenotypic Features with Metric Learning [0.0]
  発達過程を研究するための重要なアプローチは、細胞系統分類と分化史のツリーグラフを推測することである。 本稿では,木グラフ推論に最適化された幾何学特性を持つ埋め込み空間を学習する新しいディープラーニング手法であるCellTreeQMを紹介する。
  論文  参考訳（メタデータ） (2025-03-18T05:41:03Z)
• Multicell-Fold: geometric learning in folding multicellular life [0.34952465649465553]
  細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。 マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。 我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
  論文  参考訳（メタデータ） (2024-07-09T17:21:49Z)
• Topology-Guided Multi-Class Cell Context Generation for Digital Pathology [28.43244574309888]
  空間統計学とトポロジカルデータ解析の数学的ツールをいくつか紹介する。 高品質なマルチクラスセルレイアウトを初めて生成する。 トポロジに富んだセルレイアウトは,データ拡張やセル分類などの下流タスクの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-05T07:01:34Z)
• Conformal Isometry of Lie Group Representation in Recurrent Network of Grid Cells [52.425628028229156]
  本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。 グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
  論文  参考訳（メタデータ） (2022-10-06T05:26:49Z)
• Growing Isotropic Neural Cellular Automata [63.91346650159648]
  我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。 細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
  論文  参考訳（メタデータ） (2022-05-03T11:34:22Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)
• On Path Integration of Grid Cells: Group Representation and Isotropic Scaling [135.0473739504851]
  格子セルによる経路積分の一般的な表現モデルの理論的解析を行う。 我々は、歯列脳の格子細胞の同様の性質を共有する六角形格子パターンを学習する。 学習したモデルは、正確な長距離経路積分を行うことができる。
  論文  参考訳（メタデータ） (2020-06-18T03:44:35Z)
• Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation [49.992392231966015]
  本稿では,制約型多形進化という,新しい,効果的形状の先進的アプローチを提案する。 クランプ内のすべての重なり合う細胞質を同時に分割し、モデル化された形状によって誘導される各細胞質の形状を共同で進化させる。 形状進化においては, 局所形状前兆だけでなく, 大域形状前兆も導入することにより, セグメンテーションの強度不足を補う。
  論文  参考訳（メタデータ） (2020-04-08T09:08:07Z)

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。