論文の概要: Augmented Structure Preserving Neural Networks for cell biomechanics
- arxiv url: http://arxiv.org/abs/2509.05388v1
- Date: Fri, 05 Sep 2025 07:32:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.487018
- Title: Augmented Structure Preserving Neural Networks for cell biomechanics
- Title（参考訳）: 細胞バイオメカニクスのためのニューラルネットワークの強化構造
- Authors: Juan Olalla-Pombo, Alberto Badías, Miguel Ángel Sanz-Gómez, José María Benítez, Francisco Javier Montáns,
- Abstract要約: 本稿では,細胞の動きを純粋に機械的なシステムとして研究するStructure Preserving Neural Networksと,他の機械学習ツールを組み合わせた新しいアプローチを提案する。
この新モデルは、シミュレーションおよび実細胞のマイグレーションケースでテストされ、高い精度でロールアウトポリシーに従って完全な細胞軌道を予測する。
- 参考スコア（独自算出の注目度）: 2.38142799291692
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cell biomechanics involve a great number of complex phenomena that are fundamental to the evolution of life itself and other associated processes, ranging from the very early stages of embryo-genesis to the maintenance of damaged structures or the growth of tumors. Given the importance of such phenomena, increasing research has been dedicated to their understanding, but the many interactions between them and their influence on the decisions of cells as a collective network or cluster remain unclear. We present a new approach that combines Structure Preserving Neural Networks, which study cell movements as a purely mechanical system, with other Machine Learning tools (Artificial Neural Networks), which allow taking into consideration environmental factors that can be directly deduced from an experiment with Computer Vision techniques. This new model, tested on simulated and real cell migration cases, predicts complete cell trajectories following a roll-out policy with a high level of accuracy. This work also includes a mitosis event prediction model based on Neural Networks architectures which makes use of the same observed features.
- Abstract（参考訳）: 細胞バイオメカニクスは、胚発生のごく初期の段階から、損傷した構造物の維持や腫瘍の成長まで、生命の進化と他の関連するプロセスに根ざした多くの複雑な現象を含む。
このような現象の重要性を考えれば、研究は理解に向けられているが、それら間の多くの相互作用と、集合ネットワークやクラスターとしての細胞の決定に対する影響は、いまだに不明である。
本稿では,細胞の動きを純粋に機械的なシステムとして研究するStructure Preserving Neural Networksと他の機械学習ツール(Artificial Neural Networks)を組み合わせた新しいアプローチを提案する。
この新モデルは、シミュレーションされた実細胞のマイグレーションケースでテストされ、高い精度でロールアウトポリシーに従って完全な細胞軌道を予測する。
この作業には、同じ観察された機能を利用するニューラルネットワークアーキテクチャに基づいた、ミトーシスイベント予測モデルも含まれている。
関連論文リスト
- NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。
内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。
NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-06-05T01:01:18Z) - Engineering morphogenesis of cell clusters with differentiable programming [2.0690546196799042]
我々は、局所的な相互作用規則と遺伝的ネットワークを発見するために、自動分化の最近の進歩を利用する。
細胞間相互作用のパラメータを解釈可能な遺伝的ネットワークの形で学習できることが示される。
論文 参考訳（メタデータ） (2024-07-08T18:05:11Z) - Learning Dynamics from Multicellular Graphs with Deep Neural Networks [7.263827692589625]
グラフニューラルネットワーク (GNN) を用いて, セル位置の静的スナップショットから, 多細胞集団の動きを推定できることを示す。
論文 参考訳（メタデータ） (2024-01-22T18:36:29Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - 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) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Evolving spiking neuron cellular automata and networks to emulate in
vitro neuronal activity [0.0]
我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。
我々のモデルは、ネットワーク全体の同期レベルを生成できた。
トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
論文 参考訳（メタデータ） (2021-10-15T17:55:04Z) - 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。