論文の概要: Time-Varying Network Driver Estimation (TNDE) Quantifies Stage-Specific Regulatory Effects From Single-Cell Snapshots

• arxiv url: http://arxiv.org/abs/2511.19813v1
• Date: Tue, 25 Nov 2025 00:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.218446
• Title: Time-Varying Network Driver Estimation (TNDE) Quantifies Stage-Specific Regulatory Effects From Single-Cell Snapshots
• Title（参考訳）: 時系列ネットワークドライバ推定(TNDE)による単セルスナップショットからのステージ特異的制御効果の定量化
• Authors: Jiaxin Li, Shanjun Mao,
• Abstract要約: 時間変化ネットワークドライバ推定(TNDE)は、シングルセルスナップショットデータから動的遺伝子ドライバの効果を定量化する計算フレームワークである。 TNDEは増殖やアポトーシスに起因する未適合細胞を考慮し、非平衡過程における軌道アライメントを可能にする。 マウスエリスロポエシスデータに適用されたTNDEは、生物学的妥当性によって相関するステージ特異的ドライバ遺伝子を同定する。
• 参考スコア（独自算出の注目度）: 22.673875930847785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying key driver genes governing biological processes such as development and disease progression remains a challenge. While existing methods can reconstruct cellular trajectories or infer static gene regulatory networks (GRNs), they often fail to quantify time-resolved regulatory effects within specific temporal windows. Here, we present Time-varying Network Driver Estimation (TNDE), a computational framework quantifying dynamic gene driver effects from single-cell snapshot data under a linear Markov assumption. TNDE leverages a shared graph attention encoder to preserve the local topological structure of the data. Furthermore, by incorporating partial optimal transport, TNDE accounts for unmatched cells arising from proliferation or apoptosis, thereby enabling trajectory alignment in non-equilibrium processes. Benchmarking on simulated datasets demonstrates that TNDE outperforms existing baseline methods across diverse complex regulatory scenarios. Applied to mouse erythropoiesis data, TNDE identifies stage-specific driver genes, the functional relevance of which is corroborated by biological validation. TNDE offers an effective quantitative tool for dissecting dynamic regulatory mechanisms underlying complex biological processes.
• Abstract（参考訳）: 発達や疾患の進行などの生物学的プロセスを管理する重要なドライバ遺伝子を同定することは依然として課題である。 既存の方法では、細胞軌道を再構築したり、静的遺伝子制御ネットワーク(GRN)を推測することができるが、時間分解による制御効果の定量化に失敗することが多い。 ここでは、線形マルコフ仮定の下で単セルスナップショットデータから動的遺伝子ドライバ効果を定量化する計算フレームワークである時間変化ネットワークドライバ推定(TNDE)を提案する。 TNDEは共有グラフアテンションエンコーダを利用して、データの局所的なトポロジ構造を保存する。 さらに、部分的最適輸送を組み込むことで、TNDEは増殖またはアポトーシスに起因する未適合細胞を制御し、非平衡過程における軌道アライメントを可能にする。 シミュレーションデータセットのベンチマークは、TNDEが様々な複雑な規制シナリオで既存のベースラインメソッドより優れていることを示している。 マウスエリスロポエシスデータに適用されたTNDEは、生物学的妥当性によって相関するステージ特異的ドライバ遺伝子を同定する。 TNDEは、複雑な生物学的プロセスの基礎となる動的制御機構を分離するための効果的な定量的ツールを提供する。

関連論文リスト

• Tensor Network based Gene Regulatory Network Inference for Single-Cell Transcriptomic Data [0.0]
  本研究では、テンソルネットワーク(TN)を利用して表現データを最適にマッピングする量子インスピレーションフレームワークを提案する。 遺伝子依存を定量化し、置換試験により統計的意義を確立する。 量子物理学にインスパイアされた手法と計算生物学を融合することにより,遺伝子制御に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-08T17:11:12Z)
• Uncovering smooth structures in single-cell data with PCS-guided neighbor embeddings [14.708144124501635]
  単細胞シークエンシングは、細胞-状態遷移の詳細な研究を可能にすることによって生物学に革命をもたらす。 ノイズの多い高次元単細胞データから滑らかで低次元の表現を抽出することは依然として困難である。 NESSは、NE表現を改善するための、原則的で解釈可能な機械学習手法である。
  論文  参考訳（メタデータ） (2025-06-27T13:45:55Z)
• 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)
• Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations [6.065022078229654]
  本稿では、生物学的に有意な神経常微分方程式(ニューラル・オード)を組み込んだ新しいフレームワークであるPerturbODEを提案し、摂動下での細胞状態の軌跡をモデル化する。 シミュレーションおよび実際の過剰表現データセット間での軌道予測とGRN推論におけるPerturbODEの有効性を実証する。
  論文  参考訳（メタデータ） (2025-01-05T01:04:23Z)
• Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。 Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• 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)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Dynamical System Parameter Identification using Deep Recurrent Cell Networks [0.0]
  本研究では,動的システムにおけるパラメータ同定問題について,ディープラーニング手法を用いて検討する。 異なるリカレントセルを持つ6層ディープニューラルネットワークを利用することで、有効なディープリカレントアーキテクチャを探索する。 文献ではこれまでこの課題に利用されなかったが,BiLSTM( bidirectional gated recurrent cells)により,パラメータ同定の精度が向上した。
  論文  参考訳（メタデータ） (2021-07-06T07:04:36Z)

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。