論文の概要: Accelerated Discovery of Cryoprotectant Cocktails via Multi-Objective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2602.13398v1
• Date: Fri, 13 Feb 2026 19:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.01533
• Title: Accelerated Discovery of Cryoprotectant Cocktails via Multi-Objective Bayesian Optimization
• Title（参考訳）: 多目的ベイズ最適化によるコクテルの高速発見
• Authors: Daniel Emerson, Nora Gaby-Biegel, Purva Joshi, Yoed Rabin, Rebecca D. Sandlin, Levent Burak Kara,
• Abstract要約: 低温保護剤(CPA)カクテルは、氷の形成を抑制するのに十分に濃縮されなければならないが、細胞生存性を維持するのに十分な毒性はない。 本稿では,多目的ベイズ最適化に基づく高スループットスクリーニングとアクティブラーニングループを組み合わせることで,CPAカクテル設計を高速化するデータ効率フレームワークを提案する。 Wet-lab ValidationはCPA濃度の高いカクテルと露光後生存率の高いカクテルを効率よく発見できることを示す。
• 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: Designing cryoprotectant agent (CPA) cocktails for vitrification is challenging because formulations must be concentrated enough to suppress ice formation yet non-toxic enough to preserve cell viability. This tradeoff creates a large, multi-objective design space in which traditional discovery is slow, often relying on expert intuition or exhaustive experimentation. We present a data-efficient framework that accelerates CPA cocktail design by combining high-throughput screening with an active-learning loop based on multi-objective Bayesian optimization. From an initial set of measured cocktails, we train probabilistic surrogate models to predict concentration and viability and quantify uncertainty across candidate formulations. We then iteratively select the next experiments by prioritizing cocktails expected to improve the Pareto front, maximizing expected Pareto improvement under uncertainty, and update the models as new assay results are collected. Wet-lab validation shows that our approach efficiently discovers cocktails that simultaneously achieve high CPA concentrations and high post-exposure viability. Relative to a naive strategy and a strong baseline, our method improves dominated hypervolume by 9.5\% and 4.5\%, respectively, while reducing the number of experiments needed to reach high-quality solutions. In complementary synthetic studies, it recovers a comparably strong set of Pareto-optimal solutions using only 30\% of the evaluations required by the prior state-of-the-art multi-objective approach, which amounts to saving approximately 10 weeks of experimental time. Because the framework assumes only a suitable assay and defined formulation space, it can be adapted to different CPA libraries, objective definitions, and cell lines to accelerate cryopreservation development.
• Abstract（参考訳）: 凍結防止剤(CPA)カクテルを硝化剤として設計することは、氷形成を抑制するのに十分な濃度の定式化が必要であるが、細胞生存性を維持するのに十分な毒性がないため、困難である。 このトレードオフは、伝統的な発見が遅く、しばしば専門家の直感や徹底的な実験に依存する、大規模で多目的な設計空間を生み出す。 本稿では,多目的ベイズ最適化に基づく高スループットスクリーニングとアクティブラーニングループを組み合わせることで,CPAカクテル設計を高速化するデータ効率フレームワークを提案する。 測定されたカクテルの初期セットから、確率的サロゲートモデルを訓練し、濃度と生存性を予測し、候補定式化における不確実性を定量化する。 そこで我々は,パレートフロントの改善を期待するカクテルを優先順位付けし,不確実性下でのパレート改善を最大化し,新たなアッセイ結果の収集によってモデルを更新することによって,次の実験を反復的に選択する。 Wet-lab ValidationはCPA濃度の高いカクテルと露光後生存率の高いカクテルを効率よく発見できることを示す。 提案手法は, 根本戦略と強いベースラインに対して, ハイパボリュームを 9.5 % と 4.5 % に改善し, 高品質のソリューションに到達するために必要な実験数を削減した。 相補的な合成研究では、従来の最先端の多目的アプローチで要求される評価のわずか30%で、パレート最適解の可分に強いセットを回収し、およそ10週間の実験時間を節約した。 このフレームワークは、適切なアッセイと定義された定式化空間のみを前提としているため、異なるCPAライブラリ、客観的定義、細胞株に適応して、凍結保存の開発を加速することができる。

関連論文リスト

• Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
  凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。 本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。 また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
  論文  参考訳（メタデータ） (2026-01-31T23:45:50Z)
• Pretrained Joint Predictions for Scalable Batch Bayesian Optimization of Molecular Designs [1.3505106522886807]
  バッチベイズ最適化における結合親和性のスケーラブルな確率的サロゲートを得る方法を示す。 これにより、設計間のヘッジと、それらを近似するために共同予測密度から素早くサンプリングする能力の並列取得関数が要求される。 この研究の鍵となるのは、ENNにおける先行ネットワークの重要性と、下流のパフォーマンスを改善するために合成データでそれらを事前訓練する方法の調査である。
  論文  参考訳（メタデータ） (2025-11-13T18:26:58Z)
• UniCBE: An Uniformity-driven Comparing Based Evaluation Framework with Unified Multi-Objective Optimization [19.673388630963807]
  統一統一性駆動型CBEフレームワークUniCBEを提案する。 AlpacaEvalベンチマークでは、UniCBEは評価予算の17%以上を削減し、Pearsonと地上の真実との相関は0.995を超えている。 新しいモデルが継続的に導入されるシナリオでは、UniCBEは評価コストの50%以上を節約できる。
  論文  参考訳（メタデータ） (2025-02-17T05:28:12Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Active learning for affinity prediction of antibodies [45.58662352490961]
  抗体のような大きな分子では、抗体親和性を高める突然変異を同定することは困難である。 FERB法は、異なる変異が薬物候補の有効性と選択性に与える影響について、貴重な洞察を与えることができる。 本稿では,評価を行うシミュレータのシーケンスを反復的に提案し,改良されたバインダーの探索を高速化する能動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-11T13:42:49Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding [48.7576911714538]
  接着プロセスに最適なプロセスパラメータを見つけることは困難である。 遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。 本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
  論文  参考訳（メタデータ） (2021-12-16T10:14:39Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。