論文の概要: BLINK: Behavioral Latent Modeling of NK Cell Cytotoxicity
- arxiv url: http://arxiv.org/abs/2603.05110v1
- Date: Thu, 05 Mar 2026 12:29:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.219919
- Title: BLINK: Behavioral Latent Modeling of NK Cell Cytotoxicity
- Title（参考訳）: BLINK:NK細胞細胞毒性の行動遅延モデル
- Authors: Iman Nematollahi, Jose Francisco Villena-Ossa, Alina Moter, Kiana Farhadyar, Gabriel Kalweit, Abhinav Valada, Toni Cathomen, Evelyn Ullrich, Maria Kalweit,
- Abstract要約: 細胞間相互作用の機械学習モデルは、細胞の振る舞いを理解することを約束する。
NK細胞はこのような相互作用力学の顕著な例であり、時間分解多チャンネル蛍光顕微鏡を用いてよく研究されている。
本稿では,NK-腫瘍間相互作用のセルワールドモデルとして機能するトラジェクトリベースのリカレント状態空間モデルであるBLINKを紹介する。
- 参考スコア（独自算出の注目度）: 13.762051816044307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models of cellular interaction dynamics hold promise for understanding cell behavior. Natural killer (NK) cell cytotoxicity is a prominent example of such interaction dynamics and is commonly studied using time-resolved multi-channel fluorescence microscopy. Although tumor cell death events can be annotated at single frames, NK cytotoxic outcome emerges over time from cellular interactions and cannot be reliably inferred from frame-wise classification alone. We introduce BLINK, a trajectory-based recurrent state-space model that serves as a cell world model for NK-tumor interactions. BLINK learns latent interaction dynamics from partially observed NK-tumor interaction sequences and predicts apoptosis increments that accumulate into cytotoxic outcomes. Experiments on long-term time-lapse NK-tumor recordings show improved cytotoxic outcome detection and enable forecasting of future outcomes, together with an interpretable latent representation that organizes NK trajectories into coherent behavioral modes and temporally structured interaction phases. BLINK provides a unified framework for quantitative evaluation and structured modeling of NK cytotoxic behavior at the single-cell level.
- Abstract（参考訳）: 細胞間相互作用の機械学習モデルは、細胞の振る舞いを理解することを約束する。
NK細胞細胞毒性はこのような相互作用力学の顕著な例であり、時間分解多チャンネル蛍光顕微鏡を用いてよく研究されている。
腫瘍細胞死イベントは単一フレームでアノテートすることができるが、NK細胞毒性の結果は細胞間相互作用から時間とともに出現し、フレーム単位の分類だけでは確実に推測できない。
本稿では,NK-腫瘍間相互作用のセルワールドモデルとして機能するトラジェクトリベースのリカレント状態空間モデルであるBLINKを紹介する。
BLINKは、部分的に観察されたNK-腫瘍相互作用配列から潜伏相互作用のダイナミクスを学び、細胞毒性の結果に蓄積するアポトーシスの増加を予測する。
NKトラジェクトリをコヒーレントな行動モードと時間的に構造化された相互作用フェーズに整理する解釈可能な潜在表現とともに、長期経過観察実験により細胞毒性の検出が向上し、将来の結果の予測が可能となった。
BLINKは、単細胞レベルでのNK細胞毒性挙動の定量的評価と構造化モデリングのための統一的なフレームワークを提供する。
関連論文リスト
- Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。
LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。
我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
論文 参考訳（メタデータ） (2026-01-20T16:15:38Z) - Learning Model Parameter Dynamics in a Combination Therapy for Bladder Cancer from Sparse Biological Data [0.0]
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。
論文 参考訳（メタデータ） (2025-12-17T18:55:49Z) - 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 [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) - Integrating Dynamical Systems Modeling with Spatiotemporal scRNA-seq Data Analysis [2.4832894642382195]
シングルセルRNAシークエンシング(scRNA-seq)は、遺伝子発現の静的スナップショットを提供する。
時間的に解決されたscRNA-seq、空間転写学(ST)、時系列転写学(temporal-ST)は、個々の細胞の動態を研究する能力にさらに革命をもたらした。
論文 参考訳（メタデータ） (2025-03-14T12:25:27Z) - DynaCLR: Contrastive Learning of Cellular Dynamics with Temporal Regularization [0.5385157903509136]
DynaCLRは、時間経過画像の表現のコントラスト学習を通じて、細胞とオルガネラのダイナミクスを埋め込む自己教師型の方法である。
我々は単細胞追跡と時間認識のコントラストサンプリングを統合して、セルダイナミクスの頑健で時間的に正規化された表現を学習する。
論文 参考訳（メタデータ） (2024-10-15T05:01:25Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - Divide and Rule: Recurrent Partitioned Network for Dynamic Processes [25.855428321990328]
多くの動的なプロセスは、物理的システムから社会学的分析まで、相互作用する変数に関与している。
我々のゴールは、部分全体階層を持つシステムを表現し、システム内変数間の暗黙の依存関係を発見することである。
提案アーキテクチャは, (i) 複数のレベルにおける観測の階層的かつ時間的に一貫した表現を抽出する知覚モジュール, (ii) 各レベルにおけるニューロン間の関係性を決定する導出モジュール, (iii)時間分布推定を条件に未来を予測する統計的モジュールからなる。
論文 参考訳（メタデータ） (2021-06-01T06:45:56Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z)
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。