論文の概要: Explainable Machine Learning Reveals 12-Fold Ucp1 Upregulation and Thermogenic Reprogramming in Female Mouse White Adipose Tissue After 37 Days of Microgravity: First AI/ML Analysis of NASA OSD-970

• arxiv url: http://arxiv.org/abs/2604.02942v1
• Date: Fri, 03 Apr 2026 10:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.443915
• Title: Explainable Machine Learning Reveals 12-Fold Ucp1 Upregulation and Thermogenic Reprogramming in Female Mouse White Adipose Tissue After 37 Days of Microgravity: First AI/ML Analysis of NASA OSD-970
• Title（参考訳）: AWS OSD-970の最初のAI/ML解析
• Authors: Md. Rashadul Islam,
• Abstract要約: 本稿では,NASA Open Science Data Repository (OSDR) データセット OSD-970 の最初の機械学習 (ML) 解析について述べる。 国際宇宙ステーション(ISS)での37日後の16雌C57BL/6Jマウス(飛行8回,地上管制8回)の生殖腺WATにおける、89の脂肪形成および熱産生経路遺伝子から得られたRT-qPCRデータを用いて、差分式解析を適用した。 最も顕著な発見は、Ucp1(Delta-Delta-Ct = -3.61, p = 0.01)の劇的な12.21倍のアップレギュレーションである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microgravity induces profound metabolic adaptations in mammalian physiology, yet the molecular mechanisms governing thermogenesis in female white adipose tissue (WAT) remain poorly characterized. This paper presents the first machine learning (ML) analysis of NASA Open Science Data Repository (OSDR) dataset OSD-970, derived from the Rodent Research-1 (RR-1) mission. Using RT-qPCR data from 89 adipogenesis and thermogenesis pathway genes in gonadal WAT of 16 female C57BL/6J mice (8 flight, 8 ground control) following 37 days aboard the International Space Station (ISS), we applied differential expression analysis, multiple ML classifiers with Leave-One-Out Cross-Validation (LOO-CV), and Explainable AI via SHapley Additive exPlanations (SHAP). The most striking finding is a dramatic 12.21-fold upregulation of Ucp1 (Delta-Delta-Ct = -3.61, p = 0.0167) in microgravity-exposed WAT, accompanied by significant activation of the thermogenesis pathway (mean pathway fold-change = 3.24). The best-performing model (Random Forest with top-20 features) achieved AUC = 0.922, Accuracy = 0.812, and F1 = 0.824 via LOO-CV. SHAP analysis consistently ranked Ucp1 among the top predictive features, while Angpt2, Irs2, Jun, and Klf-family transcription factors emerged as dominant consensus classifiers. Principal component analysis (PCA) revealed clear separation between flight and ground samples, with PC1 explaining 69.1% of variance. These results suggest rapid thermogenic reprogramming in female WAT as a compensatory response to microgravity. This study demonstrates the power of explainable AI for re-analysis of newly released NASA space biology datasets, with direct implications for female astronaut health on long-duration missions and for Earth-based obesity and metabolic disease research.
• Abstract（参考訳）: 微小重力は哺乳類の生理学において深い代謝適応を誘導するが、雌の白色脂肪組織(WAT)における熱産生を制御している分子機構はいまだに不十分である。 本稿では,NASA Open Science Data Repository (OSDR) データセット OSD-970 の最初の機械学習 (ML) 解析について述べる。 宇宙ステーション(ISS)で37日後の16雌C57BL/6Jマウス(飛行8回,地上管制8回)のゴナダルWATにおける、89の脂肪形成および熱産生経路遺伝子から得られたRT-qPCRデータを用いて、差分式解析、LOO-CV(Leave-One-Out Cross-Validation)を用いた複数ML分類、SHAP(SHapley Additive ExPlanations)による説明可能なAI(SHAP)を適用した。 最も顕著な発見は、微小重力下でのUcp1(Delta-Delta-Ct = -3.61, p = 0.0167)の劇的な12.21倍のアップレギュレーションであり、熱産生経路(mean pathway fold-change = 3.24)の活性化を伴う。 最高の性能モデル(トップ20のRandom Forest)はAUC = 0.922、精度 = 0.812、F1 = 0.824をLOO-CVで達成した。 Angpt2, Irs2, Jun, Klf遺伝子転写因子が支配的なコンセンサス分類因子として出現した。 主成分分析(PCA)では、飛行と地上のサンプルの明確な分離が明らかになり、PC1では69.1%の分散が説明された。 以上の結果から,女子WATの温熱的再プログラミングは微小重力に対する補償的反応である可能性が示唆された。 この研究は、NASAが新たにリリースした宇宙生物学データセットを再分析するための説明可能なAIの力を示し、長期滞在ミッションにおける女性の宇宙飛行士の健康、地球ベースの肥満と代謝性疾患の研究に直接影響することを示した。

関連論文リスト

• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
  既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。 我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。 CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
  論文  参考訳（メタデータ） (2025-09-18T20:43:08Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Deep Learning (DL)-based Automatic Segmentation of the Internal Pudendal Artery (IPA) for Reduction of Erectile Dysfunction in Definitive Radiotherapy of Localized Prostate Cancer [2.3547204612718393]
  深層学習に基づくIPAのための自己分離モデルを提案する。 このモデルは、臨床実習における変化に対応するために、入力画像のモダリティとして、CTとMRIとCTのみを使用します。 提案モデルでは, セグメンテーションの均一性を向上させるため, 高品質なIPA輪郭が得られた。
  論文  参考訳（メタデータ） (2023-02-03T02:00:06Z)
• Deep Learning for fully automatic detection, segmentation, and Gleason Grade estimation of prostate cancer in multiparametric Magnetic Resonance Images [0.731365367571807]
  本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。 PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。 ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
  論文  参考訳（メタデータ） (2021-03-23T16:08:43Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。