論文の概要: A Scale-adaptive Vision Model Links C. elegans Neuronal Morphology to Behavior for Neurotoxicity Assessment

• arxiv url: http://arxiv.org/abs/2607.23183v1
• Date: Sat, 25 Jul 2026 12:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.009903
• Title: A Scale-adaptive Vision Model Links C. elegans Neuronal Morphology to Behavior for Neurotoxicity Assessment
• Title（参考訳）: C. elegans神経形態を神経毒性評価のための行動にリンクするスケール適応型視覚モデル
• Abstract要約: 我々は、C. elegans dopaminergic Neuroに専用の自己教師型視覚モデルを導入する。 本稿では,解像度とパッチサイズにまたがる表現を共同で学習する,スケール適応型マスク付き画像モデリング手法を提案する。 形態的記述子による視覚的特徴の融合は、ドーパミン依存的な行動障害の予測を可能にする。
• 参考スコア（独自算出の注目度）: 18.44832020543505
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neurological disorders are a leading cause of global disability and are increasingly linked to environmental chemical exposures. Yet neurotoxicity assessment still relies on hand-scored morphological readouts that are subjective and poorly predictive of behavioral outcomes. Caenorhabditis elegans provides a genetically tractable, 3R-compliant alternative, but quantifying neuronal phenotypes from confocal microscopy at scale remains computationally challenging: existing vision foundation models, trained on natural or radiological images, cannot resolve the sparse signals and multi-scale lesions of neuronal imaging. Here, we introduce a dedicated self-supervised vision model for C. elegans dopaminergic neurons, together with CeNeuMorph, a multi-grained confocal benchmark of 27,117 annotated images. Specifically, moving beyond standard Masked Autoencoders, we propose a scale-adaptive masked image modeling strategy that jointly learns representations across resolutions and patch sizes under a fixed token budget. By decoupling structural semantic learning from rigid grid constraints, the model effectively resolves the full spectrum of neurodegenerative lesions - ranging from fine dendritic beading to gross soma shrinkage - within a tractable computational framework. Finally, our model surpasses both generalist and biomedical foundation models across classification, segmentation and detection tasks. Fusing visual features with morphological descriptors enables prediction of dopamine-dependent behavioral deficits ($R^2=0.498$). Screening 180 agrochemicals, we identify the benzimidazole moiety as a previously unrecognized determinant of dopaminergic neurotoxicity. Together, the work demonstrates how scale-adaptive self-supervised learning can connect morphology to function for a scalable alternative to mammalian in vivo models for neurotoxicity assessment and drug discovery.
• Abstract（参考訳）: 神経障害は、世界的な障害の主要な原因であり、環境化学物質の曝露と結びついている。 しかし、神経毒性評価は、行動結果の主観的かつ予測に乏しい手書き形態的読み出しに依存している。 Caenorhabditis elegans は遺伝学的に抽出可能な 3R 準拠の代替手段を提供するが、共焦点顕微鏡から大規模な神経細胞の表現型を定量化することは計算的に困難である。 本稿では,C. elegans dopaminergic neurosとCeNeuMorphを併用した,27,117個の注釈画像の集束集束集束による自己監督型視覚モデルを提案する。 具体的には、標準のMasked Autoencodersを超えて、固定トークン予算の下で解像度やパッチサイズの表現を共同で学習するスケール適応型マスク付き画像モデリング戦略を提案する。 構造的意味学習を厳密な格子の制約から切り離すことにより、このモデルは神経変性病変の完全なスペクトルを効果的に解決する。 最後に, 分類, セグメンテーション, 検出タスクにまたがって, 一般とバイオメディカルの基礎モデルの両方を超越したモデルを提案する。 形態的記述子による視覚的特徴の融合により、ドーパミン依存的行動障害(R^2=0.498$)の予測が可能となる。 180のアグロケミカルをスクリーニングし, ベンズイミダゾールモイエティをドーパミン作動性神経毒性の未認識決定因子として同定した。 この研究は、大規模適応型自己教師学習がモルフォロジーを、神経毒性評価と薬物発見のための哺乳類の生体内モデルに代わるスケーラブルな代替品として機能するためにどのように結合するかを示す。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles [2.2344764434954256]
  我々は、MICrONsデータセットからの詳細なシナプス接続グラフにインスパイアされた感情分類のためのフィードフォワードニューラルネットワークであるBioNICを提案する。 構造レベルでは、マウス一次視覚皮質(V1)の1つの皮質列から導かれる構造的制約を組み込む。 機能レベルでは, ホメオスタディレギュレーションを伴うヘビアンシナプス可塑性, 層正規化, 知覚入力における自然変動に対するデータ露出のモデル化, 神経性モデリングのためのシナプスノイズ。
  論文  参考訳（メタデータ） (2026-01-20T08:58:30Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• 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)
• Integration of Calcium Imaging Traces via Deep Generative Modeling [0.0]
  スパイク推定アルゴリズムに頼らずに、カルシウムイメージング蛍光トレースから単一ニューロン表現を学習する方法を示す。 このアプローチは、バッチ効果を緩和しながら生物学的変動を保ちながら、最先端モデルよりも優れていることが判明した。 このフレームワークは、シングルニューロンダイナミクスの堅牢な可視化、クラスタリング、解釈を可能にする。
  論文  参考訳（メタデータ） (2025-01-24T16:33:52Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Self-supervised multimodal neuroimaging yields predictive representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
  この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。 本稿では,情報誘導バイアスの一般的な分類法を提案する。 自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
  論文  参考訳（メタデータ） (2022-09-07T01:37:19Z)
• Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns [4.965264481651854]
  本稿では,Surreal-GAN(Semi-SUpeRvised ReprEsentAtion Learning via GAN)を提案する。 我々は、広範囲な半合成実験を通じてモデルを検証し、さらに、アルツハイマー病における生物学的にもっともらしい画像パターンを捉える可能性を示した。
  論文  参考訳（メタデータ） (2022-05-09T19:09:28Z)
• Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
  畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。 我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。 得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
  論文  参考訳（メタデータ） (2022-03-24T15:24:38Z)

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。