論文の概要: Learning Explicit Single-Cell Dynamics Using ODE Representations

• arxiv url: http://arxiv.org/abs/2510.02903v1
• Date: Fri, 03 Oct 2025 11:15:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.360113
• Title: Learning Explicit Single-Cell Dynamics Using ODE Representations
• Title（参考訳）: ODE表現を用いた明示的なシングルセルダイナミクスの学習
• Authors: Jan-Philipp von Bassewitz, Adeel Pervez, Marco Fumero, Matthew Robinson, Theofanis Karaletsos, Francesco Locatello,
• Abstract要約: Cell-Mechanistic Neural Networks (Cell-MNN) はエンコーダ・デコーダアーキテクチャであり、その潜在表現は、幹細胞から組織細胞への細胞進化のダイナミクスを管理する局所線形化ODEである。 我々は,Cell-MNNが単一セルベンチマーク上での競合性能,大規模データセットへのスケーリングにおける最先端のベースライン,複数データセット間の共同トレーニング,さらにはTRRUSTデータベースに対して検証した解釈可能な遺伝子相互作用の学習などを実現していることを示す。
• 参考スコア（独自算出の注目度）: 33.16920280365721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the dynamics of cellular differentiation is fundamental to advancing the understanding and treatment of diseases associated with this process, such as cancer. With the rapid growth of single-cell datasets, this has also become a particularly promising and active domain for machine learning. Current state-of-the-art models, however, rely on computationally expensive optimal transport preprocessing and multi-stage training, while also not discovering explicit gene interactions. To address these challenges we propose Cell-Mechanistic Neural Networks (Cell-MNN), an encoder-decoder architecture whose latent representation is a locally linearized ODE governing the dynamics of cellular evolution from stem to tissue cells. Cell-MNN is fully end-to-end (besides a standard PCA pre-processing) and its ODE representation explicitly learns biologically consistent and interpretable gene interactions. Empirically, we show that Cell-MNN achieves competitive performance on single-cell benchmarks, surpasses state-of-the-art baselines in scaling to larger datasets and joint training across multiple datasets, while also learning interpretable gene interactions that we validate against the TRRUST database of gene interactions.
• Abstract（参考訳）: 細胞分化のダイナミクスをモデル化することは、がんなどのこのプロセスに関連する疾患の理解と治療を促進するのに不可欠である。 シングルセルデータセットの急速な成長に伴い、これは機械学習の特に有望でアクティブな領域にもなっている。 しかし、現在の最先端モデルは計算に費用がかかる最適輸送前処理と多段階の訓練に依存しているが、明示的な遺伝子相互作用も発見していない。 これらの課題に対処するために、我々は、幹細胞から組織細胞への細胞進化のダイナミクスを管理する局所線形化ODEであるエンコーダ・デコーダアーキテクチャであるセル・メカニスティックニューラルネットワーク(Cell-MNN)を提案する。 Cell-MNNは完全にエンドツーエンド(標準PCA前処理を除く)であり、ODE表現は生物学的に一貫性があり解釈可能な遺伝子相互作用を明示的に学習する。 実験により,Cell-MNNは単一セルベンチマーク上での競合性能,大規模データセットへのスケーリングにおける最先端のベースライン,複数データセット間の共同トレーニング,さらには遺伝子相互作用のTRRUSTデータベースに対して検証した解釈可能な遺伝子相互作用の学習などを実現する。

関連論文リスト

• Contrastive Learning Enhances Language Model Based Cell Embeddings for Low-Sample Single Cell Transcriptomics [3.7907528918903797]
  大規模言語モデル(LLM)は、自然言語処理や生成、コンピュータビジョン、マルチモーダル学習といった分野にまたがるリッチな表現を生成する能力を示している。 本稿では、単一セルRNAシークエンシング(scRNA-seq)とLLMを統合し、知識インフォームド遺伝子埋め込みを導出する計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-28T00:45:39Z)
• Enhanced Single-Cell RNA-seq Embedding through Gene Expression and Data-Driven Gene-Gene Interaction Integration [0.05156484100374057]
  本稿では、遺伝子発現プロファイルとデータ駆動型遺伝子-遺伝子相互作用を統合した新しい埋め込み手法を提案する。 遺伝子発現レベルと遺伝子-遺伝子相互作用の両方を組み込むことで、我々のアプローチは細胞状態のより包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-09-01T21:19:27Z)
• STAGED: A Multi-Agent Neural Network for Learning Cellular Interaction Dynamics [8.659754814655303]
  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。
  論文  参考訳（メタデータ） (2025-07-15T18:46:07Z)
• HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data [25.915980581662023]
  本稿では,空間転写学とトランスフォーマーのための階層グラフ基盤モデルであるHEISTを紹介する。 HEISTは、124の組織から15の臓器の22.3M細胞に、空間的に認識されるコントラストとマスクされた自己エンコーディングの目的を用いて事前訓練されている。
  論文  参考訳（メタデータ） (2025-06-11T12:29:01Z)
• 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)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• 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)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• 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)
• 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。