論文の概要: Learning Model Parameter Dynamics in a Combination Therapy for Bladder Cancer from Sparse Biological Data

• arxiv url: http://arxiv.org/abs/2512.15706v1
• Date: Wed, 17 Dec 2025 18:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:27.116827
• Title: Learning Model Parameter Dynamics in a Combination Therapy for Bladder Cancer from Sparse Biological Data
• Title（参考訳）: 膀胱癌合併療法における学習モデルパラメータのダイナミクス
• Authors: Kayode Olumoyin, Lamees El Naqa, Katarzyna Rejniak,
• Abstract要約: 膀胱癌腫瘍と免疫細胞との時間的相互作用と,抗がん剤の併用に対する反応について検討した。 物理インフォームドニューラルネットワーク(PINN)を用いて,観測データがない時点におけるサブポピュレーショントラジェクトリの予測を行う。 本手法は, 環境に外部介入を適用する際に, 生物間の相互作用を学習するための枠組みを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In a mathematical model of interacting biological organisms, where external interventions may alter behavior over time, traditional models that assume fixed parameters usually do not capture the evolving dynamics. In oncology, this is further exacerbated by the fact that experimental data are often sparse and sometimes are composed of a few time points of tumor volume. In this paper, we propose to learn time-varying interactions between cells, such as those of bladder cancer tumors and immune cells, and their response to a combination of anticancer treatments in a limited data scenario. We employ the physics-informed neural network (PINN) approach to predict possible subpopulation trajectories at time points where no observed data are available. We demonstrate that our approach is consistent with the biological explanation of subpopulation trajectories. Our method provides a framework for learning evolving interactions among biological organisms when external interventions are applied to their environment.
• Abstract（参考訳）: 生物と相互作用する数学的モデルでは、外部からの介入が時間の経過とともに行動を変える可能性があるが、固定パラメータを仮定する伝統的なモデルは、通常進化する力学を捉えない。 腫瘍学では、実験データがしばしばスパースであり、時には腫瘍体積のいくつかの時点からなるという事実により、このことがさらに悪化する。 本稿では,膀胱癌や免疫細胞などの細胞間の時間的相互作用を学習し,限られたデータシナリオにおける抗がん剤の併用に対する応答について述べる。 物理インフォームドニューラルネットワーク(PINN)を用いて,観測データがない時点におけるサブポピュレーショントラジェクトリの予測を行う。 本研究のアプローチは, サブポピュレーショントラジェクトリの生物学的説明と一致していることを示す。 本手法は, 環境に外部介入を適用する際に, 生物間の相互作用を学習するための枠組みを提供する。

関連論文リスト

• CBINNS: Cancer Biology-Informed Neural Network for Unknown Parameter Estimation and Missing Physics Identification [0.0]
  複雑な腫瘍微小環境における腫瘍免疫相互作用の力学は、通常の微分方程式や偏微分方程式の系を用いてモデル化される。 本研究では, 方程式系の未知のパラメータを推定するために, 癌生物学インフォームドニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2025-10-20T04:33:00Z)
• Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs [0.0]
  物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、力学系の法則を損失関数に組み込むニューラルネットワークである。 本研究では,腫瘍学に応用したPINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-15T11:28:18Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  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、その一般化を実際の実験データで検証する最初の大規模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)
• Contextualizing biological perturbation experiments through language [3.704686482174365]
  PerturbQAは摂動実験に対する構造化推論のベンチマークである。 我々は、摂動をモデル化するための最先端の機械学習と統計的アプローチを評価する。 本稿では,サマー(SUMMarize,retrievE, answeR),シンプルなドメインインフォームドLLMフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-02-28T18:15:31Z)
• 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)
• Optimal Transport for Latent Integration with An Application to Heterogeneous Neuronal Activity Data [1.5311478638611091]
  本稿では,複雑な生物学的プロセスにおいて共有パターンを抽出する最適なトランスポートに基づく,新しい異種データ統合フレームワークを提案する。 本手法は,少数の被験者でも有効であり,アライメントに補助的なマッチング情報を必要としない。
  論文  参考訳（メタデータ） (2024-06-27T04:29:21Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Decentralized policy learning with partial observation and mechanical constraints for multiperson modeling [14.00358511581803]
  本稿では,部分的な観察と機械的制約を分散的に表現した逐次生成モデルを提案する。 本手法は実世界のデータを用いて現実的な軌跡を生成するマルチエージェントシミュレータとして利用することができる。
  論文  参考訳（メタデータ） (2020-07-07T01:24:22Z)

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。