論文の概要: Learning noisy tissue dynamics across time scales

• arxiv url: http://arxiv.org/abs/2510.19090v2
• Date: Wed, 05 Nov 2025 11:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 16:07:40.081117
• Title: Learning noisy tissue dynamics across time scales
• Title（参考訳）: 時間スケールにまたがるノイズ組織動態の学習
• Authors: Ming Han, John Devany, Michel Fruchart, Margaret L. Gardel, Vincenzo Vitelli,
• Abstract要約: 本稿では,実験映画から直接ノイズの多いマルチセルダイナミックスを推定できるバイオミメティック機械学習フレームワークを提案する。 この生成モデルは、グラフニューラルネットワークとフローの正規化とWaveNetアルゴリズムを組み合わせて、組織を神経微分方程式として表現する。 我々のモデルは細胞の動きを捉えるだけでなく、分裂サイクルにおける細胞状態の進化を予測することも示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tissue dynamics play a crucial role in biological processes ranging from inflammation to morphogenesis. However, these noisy multicellular dynamics are notoriously hard to predict. Here, we introduce a biomimetic machine learning framework capable of inferring noisy multicellular dynamics directly from experimental movies. This generative model combines graph neural networks, normalizing flows and WaveNet algorithms to represent tissues as neural stochastic differential equations where cells are edges of an evolving graph. Cell interactions are encoded in a dual signaling graph capable of handling signaling cascades. The dual graph architecture of our neural networks reflects the architecture of the underlying biological tissues, substantially reducing the amount of data needed for training, compared to convolutional or fully-connected neural networks. Taking epithelial tissue experiments as a case study, we show that our model not only captures stochastic cell motion but also predicts the evolution of cell states in their division cycle. Finally, we demonstrate that our method can accurately generate the experimental dynamics of developmental systems, such as the fly wing, and cell signaling processes mediated by stochastic ERK waves, paving the way for its use as a digital twin in bioengineering and clinical contexts.
• Abstract（参考訳）: 組織動態は炎症から形態形成まで、生物学的プロセスにおいて重要な役割を果たす。 しかし、これらのノイズの多いマルチセルダイナミクスは予測が難しいことで知られている。 本稿では,実験映画から直接ノイズの多いマルチセルダイナミックスを推定できるバイオミメティック機械学習フレームワークを提案する。 この生成モデルは、グラフニューラルネットワーク、フローの正規化とWaveNetアルゴリズムを組み合わせて、細胞が進化するグラフのエッジである神経確率微分方程式として組織を表現する。 セル相互作用は、シグナリングカスケードを処理可能なデュアルシグナリンググラフに符号化される。 ニューラルネットワークのデュアルグラフアーキテクチャは、基盤となる生体組織のアーキテクチャを反映し、畳み込みニューラルネットワークや完全に接続されたニューラルネットワークと比較して、トレーニングに必要なデータの量を大幅に削減します。 上皮組織実験をケーススタディとして、我々のモデルは確率的な細胞運動を捉えるだけでなく、分裂周期における細胞状態の進化を予測することも示している。 最後に,本手法は, 生物工学, 臨床分野でのデジタルツインとしての利用方法として, フライウィングやERK波を介する細胞シグナル処理など, 発達システムの実験的ダイナミクスを正確に生成できることを実証した。

関連論文リスト

• Augmented Structure Preserving Neural Networks for cell biomechanics [2.38142799291692]
  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。
  論文  参考訳（メタデータ） (2025-09-05T07:32:50Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• 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)
• 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)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Rapid prediction of lab-grown tissue properties using deep learning [0.0]
  テザリング型で培養したセルラーデンハイドロゲルの自己組織化におけるメカノビロジーの役割を機械学習ツールを用いて予測する。 機械学習アルゴリズムはバイオ物理法よりもはるかに高速である。 足場と3Dバイオプリンティングのための将来の拡張は、追加のアプリケーションを開く。
  論文  参考訳（メタデータ） (2023-03-31T12:49:37Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• 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。