論文の概要: AURA: Active-Response Attribution under Treatment Ambiguity in Bacterial Cytological Profiling

• arxiv url: http://arxiv.org/abs/2606.16477v1
• Date: Mon, 15 Jun 2026 09:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.349948
• Title: AURA: Active-Response Attribution under Treatment Ambiguity in Bacterial Cytological Profiling
• Title（参考訳）: AURA:細菌の細胞学的プロファイリングにおける治療のあいまいさによる活性応答の寄与
• Authors: Kartik Jhawar, Mrunmayee Deshpande, Wilfried Moreira, Guillermo C. Bazan, Lipo Wang,
• Abstract要約: 臨床的に有意な量は、抗生物質が塗布された場所ではなく、どの薬剤が有効であったかである。 既存の計算ツールは、アクティブなセットを回復するのに不適である。 我々は、タスクを制約付きエネルギーベースの逆属性として再編成するAURAを紹介する。
• 参考スコア（独自算出の注目度）: 1.9095216961310424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a bacterial sample is exposed to several antibiotics, not every applied drug necessarily acts: if the organism is resistant to one of them, that drug leaves no morphological trace. The clinically meaningful quantity is therefore not which antibiotics were applied, but which ones were active. We show that these two are sharply decoupled in real E. coli microscopy - naively assuming the applied combination equals the active one is correct only about 37% of the time - yet existing computational tools are ill-suited to recovering the active set. Forward perturbation models such as scGen, CPA, and IMPA are designed to predict appearance from treatment, not the reverse, and inverting them degrades sharply; discriminative image classifiers tend to memorise strain- and batch-specific texture and fail to transfer across experimental replicates. We introduce AURA, which reframes the task as constrained, energy-based inverse attribution. Its central inductive bias is that the active set must be a subset of the applied set; this collapses the candidate space and lets AURA infer the active subset of applied antibiotics by decomposing residual morphology into antibiotic response atoms and selecting the subset with the lowest reconstruction energy, using no strain label at test time. AURA-E adds evidence-aware abstention, withholding a prediction when candidate explanations remain near-equally plausible. On cross-replicate transfer in an E. coli cytological profiling dataset, AURA recovers the active antibiotic combination with 95.47% exact-match accuracy.
• Abstract（参考訳）: 細菌のサンプルがいくつかの抗生物質に曝されると、すべての薬剤が必ずしも作用するわけではない。 臨床的に有意な量は、どの抗生物質が投与されたかではなく、どれが有効であったかである。 これらの2つは、実際の大腸菌の顕微鏡で急激に分離されていることが示されています - 適用された組み合わせがアクティブな組み合わせに等しいと仮定すると、アクティブな組み合わせは37%の確率で修正されることになりますが、既存の計算ツールではアクティブなセットを回復するのに不適当です。 scGen、CPA、IMPAといった前方摂動モデルは、治療の外観を逆ではなく予測し、それらを逆転させ、鋭く劣化させるように設計されている。 我々は、タスクを制約付きエネルギーベースの逆属性として再編成するAURAを紹介する。 その中心的な帰納バイアスは、活性集合は適用された集合のサブセットでなければならないことであり、これは候補空間を崩壊させ、AURAが応用された抗生物質の活性サブセットを、残留形態を抗生物質応答原子に分解し、試験時間にひずみラベルを使わずに最小の再構成エネルギーでサブセットを選択することによって推測させる。 AURA-Eはエビデンスを意識した棄権を追加し、候補説明がほぼ等しく妥当なままである場合の予測を保留する。 大腸菌の細胞学的プロファイリングデータセットにおいて、AURAは95.47%の正確なマッチング精度で活性な抗生物質の組み合わせを回収する。

関連論文リスト

• Multitask Multimodal Fusion with Tabular Foundation Models for Peak and Durability Prediction of Pertussis Booster Response [0.0]
  Pertussis booster vaccination(英語版)は、ピーク等級と長期の耐久性の両方において、個体間で広く異なる免疫反応を産生する。 ほとんどの計算モデルは1つしか目標とせず、完全なブースト・アンド・ワン軌道を欠いている。 2つのエンドポイントは冗長ではなく生物学的に分離されているため、両方を共同で予測することは自明ではない。
  論文  参考訳（メタデータ） (2026-05-13T01:00:50Z)
• 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)
• ABConformer: Physics-inspired Sliding Attention for Antibody-Antigen Interface Prediction [3.947298454012977]
  ABCONFORMERは,バイオシーケンスの局所的特徴とグローバル的特徴の両方をキャプチャする,Conformerのバックボーンに基づくモデルである。 ABCONFORMERは、抗体と配列が与えられたパラトープと抗原を正確に予測し、抗体情報なしで抗原上のパンエピトープを予測する。
  論文  参考訳（メタデータ） (2025-09-27T11:12:04Z)
• A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
  抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。 本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T18:21:42Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• scMEDAL for the interpretable analysis of single-cell transcriptomics data with batch effect visualization using a deep mixed effects autoencoder [3.194381706244149]
  単セル混合効果Deep Autoencoder学習フレームワークである scMEDAL を提案する。 scMEDALは2つの補完ワークを使用して、バッチ不変とバッチ固有のエフェクトをモデル化する。 scMEDALは、skMEDAL-FEと確立された修正方法を補完する解釈可能なバッチ固有の埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-11-11T00:10:48Z)
• BeeTLe: A Framework for Linear B-Cell Epitope Prediction and Classification [0.43512163406551996]
  本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。 そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。 最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-09-05T09:18:29Z)
• Joint Application of the Target Trial Causal Framework and Machine Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial Skin and Skin Structure Infections due to Methicillin-resistant Staphylococcus aureus [5.611469725376418]
  メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。 まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。 次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
  論文  参考訳（メタデータ） (2022-07-15T13:08:15Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。