論文の概要: Revealing the temporal dynamics of antibiotic anomalies in the infant gut microbiome with neural jump ODEs

• arxiv url: http://arxiv.org/abs/2510.00087v1
• Date: Tue, 30 Sep 2025 11:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.173391
• Title: Revealing the temporal dynamics of antibiotic anomalies in the infant gut microbiome with neural jump ODEs
• Title（参考訳）: 神経ジャンプODEを用いた乳児腸内マイクロバイオームにおける抗生物質異常の経時的動態の解明
• Authors: Anja Adamov, Markus Chardonnet, Florian Krach, Jakob Heiss, Josef Teichmann, Nicholas A. Bokulich,
• Abstract要約: 不規則なサンプル時間に対する異常検出フレームワークを提案する。 条件平均と分散軌跡を経路依存的に推定し、異常スコアを計算する。 乳児の腸内微生物叢の軌跡に適用すると、抗生物質による破壊の大きさと持続性を示す。
• 参考スコア（独自算出の注目度）: 4.067977583435253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting anomalies in irregularly sampled multi-variate time-series is challenging, especially in data-scarce settings. Here we introduce an anomaly detection framework for irregularly sampled time-series that leverages neural jump ordinary differential equations (NJODEs). The method infers conditional mean and variance trajectories in a fully path dependent way and computes anomaly scores. On synthetic data containing jump, drift, diffusion, and noise anomalies, the framework accurately identifies diverse deviations. Applied to infant gut microbiome trajectories, it delineates the magnitude and persistence of antibiotic-induced disruptions: revealing prolonged anomalies after second antibiotic courses, extended duration treatments, and exposures during the second year of life. We further demonstrate the predictive capabilities of the inferred anomaly scores in accurately predicting antibiotic events and outperforming diversity-based baselines. Our approach accommodates unevenly spaced longitudinal observations, adjusts for static and dynamic covariates, and provides a foundation for inferring microbial anomalies induced by perturbations, offering a translational opportunity to optimize intervention regimens by minimizing microbial disruptions.
• Abstract（参考訳）: 不規則にサンプリングされた多変量時系列における異常の検出は、特にデータスカース設定において困難である。 本稿では,ニューラルジャンプ常微分方程式(NJODE)を利用した不規則サンプリング時系列の異常検出フレームワークを提案する。 本手法は条件平均と分散軌跡を完全経路依存的に推定し,異常スコアを算出する。 ジャンプ、ドリフト、拡散、ノイズ異常を含む合成データについて、このフレームワークは様々な偏差を正確に識別する。 乳児の腸内マイクロバイオームの軌跡に適用すると、第二の抗生物質コースの後の長期の異常、長期の処置、および2年目の曝露など、抗生物質による破壊の規模と持続性が明確になる。 さらに, 推定異常スコアの予測能力は, 抗生物質の事象を正確に予測し, 多様性に基づくベースラインよりも優れていた。 提案手法は,不均等間隔の縦断観測に対応し,静的および動的共変体を調整し,摂動によって引き起こされる微生物異常を推定する基盤を提供し,微生物破壊を最小化して介入条件を最適化する翻訳的機会を提供する。

関連論文リスト

• Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
  グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:42:46Z)
• Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data [0.0]
  本稿では,連続時間プロセスの進化を捉えたガウス混合に基づく確率モデルを提案する。 本研究は,CGM (Continuous glucose monitoring) 時系列を主要な結果として扱う26週間の臨床試験において,本手法の有用性を概説する。
  論文  参考訳（メタデータ） (2025-05-13T15:57:06Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
  そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。 次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
  論文  参考訳（メタデータ） (2023-06-14T08:55:36Z)
• Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection [27.15951068292889]
  本稿では,異常検出のための一級分類を提案する。 データの正規性の汚染耐性、異常なインフォームド学習を実現する。 我々のモデルは16人の最先端の競争者に対して大幅な改善を達成している。
  論文  参考訳（メタデータ） (2022-07-25T13:43:13Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)

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。