論文の概要: Cross-species representation learning aligns mouse and human neural dynamics and tracks clinical drug efficacy

• arxiv url: http://arxiv.org/abs/2610.11222v1
• Date: Thu, 08 Oct 2026 04:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.800128
• Title: Cross-species representation learning aligns mouse and human neural dynamics and tracks clinical drug efficacy
• Title（参考訳）: 交叉表現学習はマウスとヒトの神経動態を調整し、臨床薬効を追跡する
• Abstract要約: 種ではなく生物状態によって組織された表現を学習することで、電気生理学的データから直接共有神経力学を識別できるかどうかを検証した。 我々は,異なる表現型間の分離を保ちながら,対応するマウスと人間の状態を整列する二重ルールコントラスト学習フレームワークを開発する。
• 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: Preclinical models poorly predict human drug efficacy, particularly in neurological disorders. Neural activity offers a uniquely rich source of translational information because it captures high-dimensional variation in nervous-system function that can be measured in both animals and humans. However, its high dimensionality makes it difficult to distinguish conserved disease-related features from variation arising from species, recording modality and experimental context. Here, we test whether shared neural dynamics can be identified directly from electrophysiology data by learning representations organized by biological state rather than species. We develop a dual-rule contrastive learning framework that aligns corresponding mouse and human states while preserving separation between distinct phenotypes. This framework recovered conserved sensory-response structure across species and, in epilepsy, resolved distinct relationships between three mouse models and heterogeneous human patient populations. When treated animals were projected into a frozen cross-species representation, drug-induced movement towards the human-aligned healthy state retrospectively tracked known clinical efficacy across ten model-drug combinations including a disease-specific detrimental effect. The framework also identified shared disease-associated neural dynamics between Fmr1-knockout mice and human 16p11.2 copy-number variant carriers despite differences in genetic aetiology and recording modality. Together, these findings show the potential of cross-species neural representation learning to map heterogeneous human disease onto experimentally tractable preclinical states and assess whether interventions restore human-relevant circuit function.
• Abstract（参考訳）: プリクリニカルモデルは、特に神経疾患において、ヒトの薬物効果を予測できない。 神経活動は、動物とヒトの両方で測定できる高次元の神経系機能の変化を捉えるため、翻訳情報のユニークな豊富な源を提供する。 しかし、その高次元性は、保存されている疾患に関連する特徴と、種から生じる変異、記録モダリティ、実験的な文脈との区別を困難にしている。 そこで本研究では,生物状態によって編成された表現を学習することで,電気生理学的データから直接,共有神経力学を同定できるかどうかを検証した。 我々は,異なる表現型間の分離を保ちながら,対応するマウスと人間の状態を整列する二重ルールコントラスト学習フレームワークを開発する。 この枠組みは、種間で保存された感覚応答構造を復元し、てんかんにおいて3つのマウスモデルと異種ヒト患者集団の明確な関係を解明した。 治療動物が凍結した交雑種に投射されると、ヒトの健康状態に対する薬物誘発運動は、疾患特異的な除草効果を含む10種類のモデルドラッグの組み合わせで既知の臨床効果を遡及的に追跡した。 このフレームワークはまた、Fmr1-knockoutマウスとヒト16p11.2コピーナンバー型キャリア間の共通疾患関連神経力学も同定した。 これらの結果は、異種性ヒト疾患を実験的に抽出可能な前臨床状態にマッピングし、介入がヒト関連回路機能を回復させるかどうかを評価するために、異種間神経表現学習の可能性を示している。

関連論文リスト

• 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)
• Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis [27.30616253053021]
  クセノラーニング(xeno-learning)は、クセノ移植に触発された異種間知識伝達パラダイムである。 臓器のスペクトルは種によって異なるが,病理学や外科手術による相対的な変化は同等である。 結果として生じる倫理的、金銭的、そしてパフォーマンス上の利点は、提案された知識伝達パラダイムに高い影響を約束する。
  論文  参考訳（メタデータ） (2024-10-15T16:25:16Z)
• Stimulus-to-Stimulus Learning in RNNs with Cortical Inductive Biases [0.0]
  大脳皮質に広まる2種類の誘導バイアスを用いた刺激置換の繰り返しニューラルネットワークモデルを提案する。 本研究では,モデルが幅広い条件づけ現象を発生させ,学習量と多数の関連性を学習可能であることを示す。 我々の枠組みは、大脳皮質におけるマルチコンパートメントニューロン処理の重要性を強調し、大脳皮質動物を進化の端とみなす方法を示している。
  論文  参考訳（メタデータ） (2024-09-20T13:01:29Z)
• Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
  潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。 まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。 次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。 第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:33Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。