論文の概要: Understanding Cell Fate Decisions with Temporal Attention

• arxiv url: http://arxiv.org/abs/2603.16562v1
• Date: Tue, 17 Mar 2026 14:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.326127
• Title: Understanding Cell Fate Decisions with Temporal Attention
• Title（参考訳）: 時間的注意による細胞脂肪決定の理解
• Authors: Florian Bürger, Martim Dias Gomes, Adrián E. Granada, Noémie Moreau, Katarzyna Bozek,
• Abstract要約: 細胞運命の非遺伝的決定要因を理解することは、がん治療の開発と改善に不可欠である。 ケモザイク治療下でのがん細胞集団の長期生存記録から, 細胞運命予測の深層学習手法を提案する。 我々のトランスフォーマーモデルは、予め定義された形態的特徴や分子的特徴に頼ることなく、原画像配列から細胞運命を予測するよう訓練された。
• 参考スコア（独自算出の注目度）: 1.631115063641726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding non-genetic determinants of cell fate is critical for developing and improving cancer therapies, as genetically identical cells can exhibit divergent outcomes under the same treatment conditions. In this work, we present a deep learning approach for cell fate prediction from raw long-term live-cell recordings of cancer cell populations under chemotherapeutic treatment. Our Transformer model is trained to predict cell fate directly from raw image sequences, without relying on predefined morphological or molecular features. Beyond classification, we introduce a comprehensive explainability framework for interpreting the temporal and morphological cues guiding the model's predictions. We demonstrate that prediction of cell outcomes is possible based on the video only, our model achieves balanced accuracy of 0.94 and an F1-score of 0.93. Attention and masking experiments further indicate that the signal predictive of the cell fate is not uniquely located in the final frames of a cell trajectory, as reliable predictions are possible up to 10 h before the event. Our analysis reveals distinct temporal distribution of predictive information in the mitotic and apoptotic sequences, as well as the role of cell morphology and p53 signaling in determining cell outcomes. Together, these findings demonstrate that attention-based temporal models enable accurate cell fate prediction while providing biologically interpretable insights into non-genetic determinants of cellular decision-making. The code is available at https://github.com/bozeklab/Cell-Fate-Prediction.
• Abstract（参考訳）: 細胞運命の非遺伝的決定要因を理解することは、同じ治療条件下で遺伝的に同一の細胞が異なる結果を示すため、がん治療の開発と改善に不可欠である。 本研究では, がん細胞集団の生ライブ細胞記録から細胞運命を予測するための深層学習手法を提案する。 我々のトランスフォーマーモデルは、予め定義された形態的特徴や分子的特徴に頼ることなく、生画像配列から直接細胞運命を予測するよう訓練されている。 分類以外にも、モデルの予測を導く時間的および形態的手がかりを解釈するための包括的説明可能性フレームワークを導入する。 ビデオのみに基づいてセル結果の予測が可能であることを実証し, バランス精度0.94, F1スコア0.93を実現した。 注意とマスキングの実験により、細胞運命の信号予測が細胞軌道の最終フレームに一意に位置しないことが示され、信頼できる予測はイベントの最大10時間前に可能である。 本研究は, 細胞の形態およびp53シグナル伝達における役割とともに, 分裂期およびアポトーシス期における予測情報の時間的分布を明らかにした。 これらの結果から,注意に基づく時間モデルにより,細胞決定の非遺伝的決定因子を生物学的に解釈し,正確な細胞運命予測が可能であることが示唆された。 コードはhttps://github.com/bozeklab/Cell-Fate-Predictionで公開されている。

関連論文リスト

• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer [10.515405477496735]
  生存予測のための説明可能なセルグラフ(xCG)を提案する。 肺腺癌416例に対する画像量(IMC)データの公開コホートによる検討を行った。
  論文  参考訳（メタデータ） (2024-11-12T08:53:49Z)
• 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)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Prediction of Cellular Identities from Trajectory and Cell Fate Information [0.40964539027092917]
  本稿では,機械学習を用いた早期のtextitC. elegansgenesisにおける細胞識別の革新的アプローチを提案する。 ランダムな森林, 胚, LSTMモデルを用いて, 最初の4時間にわたる3次元タイムラプスデータセットの細胞分類精度を検証した。 本研究は, 簡単な時空間的特徴から, タイムラプス画像における細胞アイデンティティの予測に成功したことを示す。
  論文  参考訳（メタデータ） (2024-01-11T03:28:13Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Kernel-Based Testing for Single-Cell Differential Analysis [23.769396655341204]
  非線形な細胞分布比較のためのカーネルテストフレームワークを提案する。 本手法は, 細胞集団の多様性を明らかにするため, 機能的およびグローバルなトランスクリプトーム/エポジェノムの比較を可能にする。
  論文  参考訳（メタデータ） (2023-07-17T14:10:01Z)
• Cell abundance aware deep learning for cell detection on highly imbalanced pathological data [0.0]
  デジタル病理学では、少ない細胞型は生物学的に重要である。 モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。 その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T13:07:52Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。