論文の概要: CytoBERT: A Foundation Model for Cytometry Data

• arxiv url: http://arxiv.org/abs/2608.14414v1
• Date: Fri, 14 Aug 2026 15:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.427987
• Title: CytoBERT: A Foundation Model for Cytometry Data
• Title（参考訳）: CytoBERT: サイトメトリーデータの基礎モデル
• Abstract要約: CytoBERTは、可変マーカーパネルを持つシングルセルデータのための、公開され、オープンソースでオープンソースの基礎モデルである。 大規模コーパス(異質なマーカーパネルと5000万以上の細胞を持つ15人のデータセット)上で、自己管理的に事前訓練される。 マーカーの標準化により、細胞内で転写可能なマーカー間の関係を学習できるようになった。
• 参考スコア（独自算出の注目度）: 0.7209218072712748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cytometry measures the complex characteristics of single cells (e.g., counts and protein expression of immune cells) and is widely used across immunological research and clinical settings. However, cytometry data is highly heterogeneous and unstandardized due to experimental protocols and the choice of measured features. While machine learning methods hold the potential to gain deeper insights into cell biology, these challenges make them difficult to apply and transfer across studies. Recent advances in foundation models can alleviate these issues, but corresponding approaches are still scarce in this field. To address this, we provide CytoBERT, a publicly available, open-source, open-weight foundation model for single-cell cytometry data with variable marker panels. CytoBERT is pretrained in a self-supervised manner on a large-scale cytometry corpus (15 human datasets with heterogeneous marker panels and more than 50 million cells) curated through marker standardization, enabling it to learn transferable inter-marker relationships within cells. Fine-tuning CytoBERT for sample-level classification demonstrates that transfer learning across heterogeneous cytometry datasets is feasible, providing a starting point for scalable, generalizable cytometry analysis. Code is available at GitHub.
• Abstract（参考訳）: サイトメトリーは単細胞(例えば免疫細胞の数と蛋白発現)の複雑な特性を測定し、免疫学的研究や臨床現場で広く利用されている。 しかし, サイトメトリーデータは非常に異質であり, 実験的プロトコルと測定された特徴の選択により非標準化されている。 機械学習の手法は細胞生物学の深い洞察を得る可能性を秘めているが、これらの課題は研究にまたがって適用と移動を困難にしている。 基礎モデルの最近の進歩はこれらの問題を緩和することができるが、それに対応するアプローチはいまだにこの分野では乏しい。 そこで我々はCytoBERTを提供する。CytoBERTは、シングルセルサイトメトリーデータのための、公開されているオープンソースのオープンウェイト基盤モデルであり、マーカーパネルが可変である。 CytoBERTは、マーカーの標準化により、大規模なサイトメトリーコーパス(不均一なマーカーパネルと5000万以上の細胞を含む15のヒトデータセット)を自己管理的に事前訓練し、細胞内の転写可能なマーカー間関係を学習することができる。 サンプルレベルの分類のための微調整のCytoBERTは、不均一なサイトメトリーデータセット間での移動学習が実現可能であることを示し、スケーラブルで一般化可能なサイトメトリー分析の出発点を提供する。 コードはGitHubで入手できる。

関連論文リスト

• 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)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
  FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。 このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
  論文  参考訳（メタデータ） (2024-02-28T15:01:59Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Machine Learning for Flow Cytometry Data Analysis [0.0]
  フローサイトメーターは、同時に数万の細胞を迅速に分析し、同時に単一の細胞から複数のパラメータを測定できる。 何百万もの細胞から収集された多次元データの中で、興味深い細胞集団を手動で識別できる必要がある。 3つの代表的な自動クラスタリングアルゴリズムが選択され、完全にかつ部分的に自動ゲーティングによって適用され、比較され、評価される。
  論文  参考訳（メタデータ） (2023-03-16T00:43:46Z)
• A biology-driven deep generative model for cell-type annotation in cytometry [0.0]
  Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。 Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。 さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
  論文  参考訳（メタデータ） (2022-08-11T10:50:44Z)
• Distribution-based Sketching of Single-Cell Samples [6.904244323294012]
  我々は,免疫細胞型を基本周波数に保ちながら,すべての細胞のサブサンプルを限定的に選択するカーネル・ハーディングに基づく新規なスケッチ手法を提案する。 我々は3つのフローとマスのデータセットと1つの単一セルRNAシークエンシングデータセットを用いてアプローチを検証した。
  論文  参考訳（メタデータ） (2022-06-30T19:43:06Z)
• Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
  Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。 簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
  論文  参考訳（メタデータ） (2022-01-18T21:40:36Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。