論文の概要: Engineering Spatial and Molecular Features from Cellular Niches to Inform Predictions of Inflammatory Bowel Disease
- arxiv url: http://arxiv.org/abs/2509.09923v1
- Date: Fri, 12 Sep 2025 02:10:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 16:03:07.958887
- Title: Engineering Spatial and Molecular Features from Cellular Niches to Inform Predictions of Inflammatory Bowel Disease
- Title（参考訳）: 炎症性腸疾患の予後予測への細胞性ニッチからの工学的空間的特徴と分子的特徴
- Authors: Myles Joshua Toledo Tan, Maria Kapetanaki, Panayiotis V. Benos,
- Abstract要約: 炎症性腸疾患(IBD):クローン病(CD)と潰瘍性大腸炎(UC)の2つの主要なサブタイプを区別することは、持続的な臨床課題である。
IBD分類のための説明可能な機械学習モデルを作成するために空間転写学(ST)を利用した新しい計算フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.043230260556633
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Differentiating between the two main subtypes of Inflammatory Bowel Disease (IBD): Crohns disease (CD) and ulcerative colitis (UC) is a persistent clinical challenge due to overlapping presentations. This study introduces a novel computational framework that employs spatial transcriptomics (ST) to create an explainable machine learning model for IBD classification. We analyzed ST data from the colonic mucosa of healthy controls (HC), UC, and CD patients. Using Non-negative Matrix Factorization (NMF), we first identified four recurring cellular niches, representing distinct functional microenvironments within the tissue. From these niches, we systematically engineered 44 features capturing three key aspects of tissue pathology: niche composition, neighborhood enrichment, and niche-gene signals. A multilayer perceptron (MLP) classifier trained on these features achieved an accuracy of 0.774 +/- 0.161 for the more challenging three-class problem (HC, UC, and CD) and 0.916 +/- 0.118 in the two-class problem of distinguishing IBD from healthy tissue. Crucially, model explainability analysis revealed that disruptions in the spatial organization of niches were the strongest predictors of general inflammation, while the classification between UC and CD relied on specific niche-gene expression signatures. This work provides a robust, proof-of-concept pipeline that transforms descriptive spatial data into an accurate and explainable predictive tool, offering not only a potential new diagnostic paradigm but also deeper insights into the distinct biological mechanisms that drive IBD subtypes.
- Abstract（参考訳）: 炎症性腸疾患 (IBD) とクローン病 (CD) と潰瘍性大腸炎 (UC) の2つの亜型を鑑別することは, オーバーラップによる臨床上の課題である。
IBD分類のための説明可能な機械学習モデルを作成するために空間転写学(ST)を利用した新しい計算フレームワークを提案する。
健康管理 (HC) , UC, CD患者の大腸粘膜から得られたSTデータを解析した。
非負のマトリックス因子化(NMF)を用いて,組織内の機能的微小環境を示す4つの細胞ニッチを初めて同定した。
これらのニッチから, 組織病理の3つの重要な側面(ニッチ合成, 近隣の富化, ニッチ遺伝子信号)を捉えた44の機能を体系的に設計した。
これらの特徴を生かした多層パーセプトロン (MLP) 分類器は, より困難な3クラス問題 (HC, UC, CD) に対して0.774+/-0.161, IBDと健康組織を区別する2クラス問題では0.916+/-0.118の精度を達成した。
モデル説明可能性分析の結果,ニッチの空間構造における破壊は一般的な炎症の予測因子として最も強く,UCとCDの分類は特定のニッチ遺伝子の発現署名に依存していた。
この研究は、記述的な空間データを正確で説明可能な予測ツールに変換する、堅牢で概念実証のパイプラインを提供し、潜在的な新しい診断パラダイムだけでなく、IBDサブタイプを駆動する異なる生物学的メカニズムに関する深い洞察を提供する。
関連論文リスト
- From Pixels to Pathology: Restoration Diffusion for Diagnostic-Consistent Virtual IHC [37.284994932355865]
本稿では,仮想染色を画像復元タスクとして再構成する構造対応染色復元拡散モデルであるStar-Diffを紹介する。
残留物とノイズに基づく生成経路を組み合わせることで、スターディフは現実的なバイオマーカーの変動をモデル化しながら組織構造を維持する。
BCIデータセットの実験は、Star-Diffが視覚的忠実度と診断関連性の両方で最先端(SOTA)のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-08-04T15:36:58Z) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - Querying functional and structural niches on spatial transcriptomics data [7.240034062898855]
空間転写学は、空間的文脈における遺伝子発現のプロファイリングを可能にする。
空間ニッチは、生理的および病理学的過程において凝集的かつ反復的な単位として機能することが明らかにされている。
我々は、ニッチ・オブ・ニッチ(NOI)を与えられたSTサンプル間で類似したニッチを識別するニッチ・クエリータスクを定義した。
我々は、この課題を解決するための特殊な方法であるQueSTを開発した。
論文 参考訳（メタデータ） (2024-10-14T16:01:27Z) - Interpretable histopathology-based prediction of disease relevant
features in Inflammatory Bowel Disease biopsies using weakly-supervised deep
learning [0.8521205677945196]
Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。
深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
論文 参考訳（メタデータ） (2023-03-20T15:59:29Z) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳（メタデータ） (2021-01-07T10:17:11Z) - MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases [3.955454029331185]
マルチスケールクラスタリングを活用することにより,病気の多様性を明らかにする新しい手法MAGICを提案する。
シミュレーションした異種神経解剖学的データを用いてMAGICを検証するとともに、アルツハイマー病(AD)の異種性を探究して臨床応用の可能性を示す。
以上の結果より,大脳皮質大萎縮と大脳皮質大萎縮の2つの亜型は,海馬の微細萎縮と大脳皮質大萎縮の2つからなることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-01T23:42:37Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - Inflammatory Bowel Disease Biomarkers of Human Gut Microbiota Selected
via Ensemble Feature Selection Methods [0.0]
炎症性腸疾患(IBD)、糖尿病、がんは炎症性腸疾患(IBD)、糖尿病、がんなどのいくつかの疾患を引き起こすことがある。
IBDは腸関連疾患であり、腸内細菌叢からの逸脱はIBDと関連していると考えられている。
本研究は、教師付き機械学習アルゴリズムと教師なし機械学習アルゴリズムを用いて、IBD診断を支援する分類モデルを生成する。
論文 参考訳（メタデータ） (2020-01-08T13:17:26Z)
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。