論文の概要: scDEFT: A deep learning framework for drug-effect prediction and counterfactual reasoning
- arxiv url: http://arxiv.org/abs/2609.10831v1
- Date: Wed, 09 Sep 2026 21:02:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.139983
- Title: scDEFT: A deep learning framework for drug-effect prediction and counterfactual reasoning
- Title（参考訳）: scDEFT: 薬物効果予測と反事実推論のためのディープラーニングフレームワーク
- Abstract要約: scDEFT(single cell Drug EFfect Transducer)は、細胞表現の条件づけ演算子として薬物を治療する。
1.16万の細胞からなる調和した炎症性腸疾患のアトラスにおいて、 scDEFT は治療前の反応者を治療前に天井のヘッドルームに45%の状態変化を予測している。
これらの予測は、ターゲットとコ標的の指名、患者層化、および目に見えない薬物コホート効果の対実予測を支援する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Longitudinal single cell atlases now capture matched pre treatment and post treatment states from responders and non responders, presenting an opportunity to mechanistically explain why two patients on the same drug diverge. We introduce scDEFT (single cell Drug EFfect Transducer), which treats a drug as a conditioning operator on cell representations, enabling prediction and explanation. In scDEFT, feature wise linear modulation produces drug conditioned cell latents, learned under abundant per cell supervision and then frozen. Two independent heads aggregate those latents over shared transcriptional neighborhoods to predict drug induced state change and responder status. A backward stage ranks the latent dimensions by how strongly they separate responders from non responders and maps them to genes under a cell composition control. On a harmonized inflammatory bowel disease atlas of 1.16 million cells, three cohorts and two drug classes, scDEFT predicts state change at 45% of the baseline to reproducibility ceiling headroom and stratifies responders before treatment at AUROC 0.70, where standard predictors remain at chance. These predictions and the drivers behind them support target and co target nomination, patient stratification, and counterfactual prediction of unseen drug cohort effects.
- Abstract（参考訳）: 縦方向の単細胞アトラスは、対応者や非反応者から、一致した前処置と治療後の状態を捕捉し、同じ薬物に感染する2人の患者を機械的に説明する機会を提供する。
我々は,cDEFT(single cell Drug EFfect Transducer)を導入し,薬物を細胞表現の条件づけ演算子として扱い,予測と説明を可能にする。
scDEFTでは、機能的線形変調は、薬物条件付き細胞潜伏剤を産生し、細胞単位の監督下で学習し、凍結する。
2つの独立した頭は、薬剤による状態変化と応答状態を予測するために、それらの潜伏者を共有転写近傍に集約する。
後方の段階は、応答体と非応答体をいかに強く分離するかによって潜伏次元をランク付けし、細胞構成制御下の遺伝子にマッピングする。
1.16万の細胞、3つのコホート、2つの薬物クラスからなる調和した炎症性腸疾患アトラスにおいて、 scDEFTは、基準値の45%で状態変化を予測し、再現性のある天井のヘッドルームを再現し、AUROC 0.70で治療される前に応答者を階層化する。
これらの予測とそれらの背後にあるドライバは、ターゲットとコターゲットの指名、患者の階層化、および目に見えない薬物コホート効果の対実予測を支持している。
関連論文リスト
- PerturbRx: Learning Treatment-Conditioned Latent Transitions for Patient Drug Response Prediction [3.436215734071903]
本稿では,治療条件付き表現学習フレームワークPerturbRxを提案する。
TCGAと患者由来のXenograftベンチマークを通じて、PerturbRxは最も強力な総合的な予測性能を達成する。
論文 参考訳（メタデータ） (2026-08-21T17:54:48Z) - Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。
そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。
制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文 参考訳（メタデータ） (2026-08-20T13:59:57Z) - Predicting Therapeutic Outcome via Aligning Patient-Specific Knowledge Graph and Gene-Level Perturbation Representations [8.993049322779862]
PreDIKTORは、パーソナライズされたネットワークビューと転送可能なトランスクリプトーム摂動ビューを調整し、臨床薬効を予測する。
TCGAでは、PrediKTORは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-07-06T00:10:31Z) - Training distribution determines the ceiling of drug-blind cancer sensitivity prediction [0.304585143845864]
精密腫瘍学では、どの薬が特定の腫瘍をその分子プロファイルから抑制するかを予測する必要がある。
薬物表現の複雑化にもかかわらず,薬の盲目感受性の予測は低下している。
論文 参考訳（メタデータ） (2026-05-20T08:24:56Z) - Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - 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) - Towards actionable hypotension prediction- predicting catecholamine therapy initiation in the intensive care unit [1.43973089617443]
ほとんどの機械学習(ML)モデルは、固定されたMAP閾値またはMAP予測を使用して低血圧を予測する。
15分間の予測窓内でカテコールアミンの開始を連発イベントとしてモデル化した。
このモデルは0.822(0.813-0.830)のAUROCを達成し、低血圧ベースライン(MAP 65, AUROC 0.686 [0.675-0.699])を上回った。
論文 参考訳（メタデータ） (2025-10-28T10:49:42Z) - Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。
我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。
我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
論文 参考訳（メタデータ） (2025-03-12T10:17:54Z) - scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling [5.831554646284266]
scGSDRは、細胞状態と遺伝子シグナル伝達経路の知識に基づく2つの計算パイプラインを統合するモデルである。
scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、解釈可能性モジュールを使用する。
モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
論文 参考訳（メタデータ） (2025-02-02T15:43:20Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳（メタデータ） (2023-01-28T20:14:11Z) - Change Matters: Medication Change Prediction with Recurrent Residual
Networks [52.34011841798978]
MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。
MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
論文 参考訳（メタデータ） (2021-05-05T05:51:30Z)
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。