論文の概要: Cell-cell communication inference and analysis: biological mechanisms, computational approaches, and future opportunities
- arxiv url: http://arxiv.org/abs/2512.03497v1
- Date: Wed, 03 Dec 2025 06:45:35 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-04 12:04:19.578422
- Title: Cell-cell communication inference and analysis: biological mechanisms, computational approaches, and future opportunities
- Title（参考訳）: 細胞間通信の推測と解析 : 生物学的機構、計算手法、今後の展望
- Authors: Xiangzheng Cheng, Haili Huang, Ye Su, Qing Nie, Xiufen Zou, Suoqin Jin,
- Abstract要約: 多細胞生物において、細胞は細胞間通信(CCC)を介してその活性を協調する
単一セル・空間オミクス技術の最近の進歩は、これらのオミクスデータからCCCを推測・分析する前例のない機会を提供する。
本稿では, CCCの生物学的機構とモデリング戦略について紹介し, 単一セルおよび空間転写学的データからCCCを推定するための140以上の計算手法について概説する。
- 参考スコア（独自算出の注目度）: 2.76928292353684
- License:
- Abstract: In multicellular organisms, cells coordinate their activities through cell-cell communication (CCC), which are crucial for development, tissue homeostasis, and disease progression. Recent advances in single-cell and spatial omics technologies provide unprecedented opportunities to systematically infer and analyze CCC from these omics data, either by integrating prior knowledge of ligand-receptor interactions (LRIs) or through de novo approaches. A variety of computational methods have been developed, focusing on methodological innovations, accurate modeling of complex signaling mechanisms, and investigation of broader biological questions. These advances have greatly enhanced our ability to analyze CCC and generate biological hypotheses. Here, we introduce the biological mechanisms and modeling strategies of CCC, and provide a focused overview of more than 140 computational methods for inferring CCC from single-cell and spatial transcriptomic data, emphasizing the diversity in methodological frameworks and biological questions. Finally, we discuss the current challenges and future opportunities in this rapidly evolving field.
- Abstract（参考訳）: 多細胞生物では、細胞は細胞間通信(CCC)を介してその活性を調整し、組織ホメオスタシス、疾患の進行に欠かせない。
単一細胞および空間オミクス技術の最近の進歩は、リガンド-受容体相互作用(LRI)の事前知識を統合するか、デノボアプローチを通じて、これらのオミクスデータからCCCを体系的に推論し分析する前例のない機会を提供する。
様々な計算手法が開発され、方法論の革新、複雑なシグナリング機構の正確なモデリング、より広範な生物学的問題の研究に焦点が当てられている。
これらの進歩は、CCCを分析し、生物学的仮説を生成する能力を大幅に向上させた。
本稿では, CCCの生物学的機構とモデル化戦略を紹介するとともに, 単細胞および空間的転写学的データからCCCを推定するための140以上の計算手法について概説し, 方法論の枠組みや生物学的問題における多様性を強調した。
最後に、この急速に発展する分野における現在の課題と今後の機会について論じる。
関連論文リスト
- Unleashing the power of computational insights in revealing the complexity of biological systems in the new era of spatial multi-omics [13.748436720425794]
空間オミクス技術の最近の進歩は、前例のない解像度で生物学的システムを研究する能力に革命をもたらした。
我々は、高度な機械学習アルゴリズムとマルチオミクス統合モデリングが、複雑な生物学的プロセスをどのようにデコードできるかを示す。
精密医療における技術革新と空間オミクスのモデリングの方向性について概説する。
論文 参考訳（メタデータ） (2025-09-16T07:13:54Z) - Large Language Models in Bioinformatics: A Survey [13.722344139230827]
大規模言語モデル(LLM)は生物情報学に革命をもたらし、DNA、RNA、タンパク質、単細胞データの高度な解析を可能にしている。
この調査は、ゲノム配列モデリング、RNA構造予測、タンパク質機能推論、単細胞転写学など、最近の進歩の体系的なレビューを提供する。
論文 参考訳（メタデータ） (2025-03-06T14:38:20Z) - BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。
CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。
そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文 参考訳（メタデータ） (2025-02-23T17:38:10Z) - How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities [46.671834972945874]
仮想セル構築にAIの進歩を活用するというビジョンを提案する。
我々は、生物の普遍的な表現を含む、そのようなAI仮想セルの望ましい能力について議論する。
我々は、AI仮想細胞が新しい薬物標的を特定し、摂動に対する細胞反応を予測し、スケール仮説を探索する未来を想像する。
論文 参考訳（メタデータ） (2024-09-18T02:41:50Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z)
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。