arXiv:2301.02341

A survey on Organoid Image Analysis Platforms

Alireza Ranjbaran, Azadeh Nazemi

제출 2023-01-06

원문 초록

An in-vitro cell culture system is used for biological discoveries and hypothesis-driven research on a particular cell type to understand mechanistic or test pharmaceutical drugs. Conventional in-vitro cultures have been applied to primary cells and immortalised cell lines plated on 2D surfaces. However, they are unreliable in complex physiological environments and can not always predict in-vivo behaviour correctly. Organoids are multicellular spheroids of a primary donor or stem cells that are replaced in vitro cell culture systems and are widely used in biological, biomedical and translational studies. Native heterogeneity, microanatomy, and functionality of an organ or diseased tissue can be represented by three-dimensional in-vitro tissue models such as organoids. Organoids are essential in in-vitro models for drug discovery and personalised drug screening. Many imaging artefacts such as organoid occlusion, overlap, out-of-focus spheroids and considerable heterogeneity in size cause difficulty in conventional image processing. Despite the power of organoid models for biology, their size and shape have mostly not been considered. Drug responses depend on dynamic changes in individual organoid morphology, number and size, which means differences in organoid shape and size, movement through focal planes, and live-cell staining with limited options cause challenges for drug response and growth analysis. This study primarily introduces the importance of the role of the organoid culture system in different disciplines of medical science and various scopes of utilising organoids. Then studies the challenges of operating organoids, followed by reviewing image analysis systems or platforms applied to organoids to address organoid utilising challenges.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20550v1cs.LG공통 태그 Survey, Drug Discovery

SBDD를 넘어서: 다약리학 및 다중 표적 약물 설계에서의 기하 심층 학습

Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design

구조 기반 약물 설계(SBDD)의 전통적인 "하나의 약물, 하나의 표적" 패러다임은 보상적 신호 전달 경로와 약물 내성의 출현으로 인해 암 및 신경퇴행성 질환과 같은 다인자 질환 치료에 자주 부적합하다. 다약리학(polypharmacology)은 시너지적 치료 전략을 제공하지만, 다중 표적이 부과하는 기하학적 제약을 동시에 만족할 수 있는 리간드의 합리적 설계는 여전히 주요한 계산 병목으로 남아 있다. 본 리뷰는 이러한 한계를 극복하기 위한 강력한 통합적 접근법으로 기하 심층 학습(geometric deep learning, GDL)을 제시한다. 우리는 비유클리드 분자 데이터를 활용하여 고유한 3차원(3D) 구조적 상호의존성을 포착하는 불변 그래프 신경망부터 SE(3)-등변 확산 모델까지 다양한 GDL 아키텍처를 체계적으로 조사한다. 기하 임베딩(embedding)을 통한 공유 결합 포켓의 특성화, 이질적 그래프 융합을 통한 다중 표적 생물활성 예측, 이중 표적 리간드의 de novo 생성을 포함하여 세 가지 핵심 차원에 걸친 GDL 적용을 비판적으로 분석한다. 특히 경쟁하는 결합 부위 간의 복잡한 기하학적 충돌을 자율적으로 해결하기 위해 확산 모델과 강화학습을 통합하는 새로운 구조 조건 생성 알고리즘에 특별한 중점을 둔다. 또한 이러한 모델을 검증하는 데 있어 다중 모달 오믹스 통합과 특화된 기하 벤치마킹(benchmarking) 인프라의 핵심적 역할을 평가한다. 방법론적 발전을 종합함으로써, 본 리뷰는 우연적 탐험에서 합리적이고 구조 주도적인 다약리학적 분자 공학으로의 약물 발견 패러다임 전환을 설명하며, 차세대 치료제의 복잡성을 탐색하기 위한 명확하고 구조화된 가이드를 제공한다.

arXiv:2606.27202v1cs.LG공통 태그 Survey, Drug Discovery

그래프 신경망의 도메인 횡단 응용: 필수 인사이트 총람

Graph Neural Networks Applications Across Domains: All Insights You Need

그래프 신경망(GNN)은 틈새적인 표현 학습 기법에서 벗어나, 데이터가 관계적 구조를 지니는 곳이라면 어디서나 기본 모델 클래스로 자리잡았다. 이제 핵심 질문은 메시지 패싱이 특정 데이터셋에 도움이 되는지 여부가 아니라, 그래프 구조가 계산 비용을 정당화하는 곳과 그렇지 않은 곳이 어디인지에 관한 것이다. 본 서베이는 단일한 설계 공간을 중심으로 분야를 체계화하고, 공통된 제1원리로부터 스펙트럴 및 공간적 정식화를 도출하며, 현재 아키텍처가 구별할 수 있는 것과 없는 것에 대한 명시적 진술과 함께 표현력을 Weisfeiler-Leman 계층구조와 연결한다. 이러한 방법론적 골격을 바탕으로 추천 시스템 및 소셜 네트워크, 지식 그래프와 언어 모델 통합, 신약 개발 및 분자 속성 학습, 헬스케어 및 신경과학, 컴퓨터 비전, 교통 및 도시 컴퓨팅, 전력 및 재생에너지 시스템, 무선 통신 및 6세대(6G) 네트워크, 사기 탐지 및 사이버보안, 산업 예지 정비, 재료 과학, 기후 모델링 등 열두 개의 응용 도메인을 살펴본다. 각 도메인에 대해 그래프 구성 방식과 그 비용을 명시하고, 어떤 아키텍처 계열이 지배적이며 그 이유는 무엇인지 규명하며, 보고된 성능 향상을 취약한 베이스라인이나 유리한 데이터 분할에 의한 인공적 결과와 구분한다. 도메인 간 비교를 통해 반복적으로 나타나는 패턴이 드러난다: 이질적 연결성(heterophily)과 대규모 스케일은 거의 모든 곳에서 동일한 모델들의 성능을 저하시키고, 시간적 그래프는 정적 그래프보다 여전히 다루기 어려우며, 공개 리더보드 상위권 아키텍처가 실제 배포에 이르는 경우는 드물다. 과도한 평활화(over-smoothing), 과도한 압축(over-squashing), 강건성, 분포 변화, 공정성, 설명 가능성은 마무리 체크리스트가 아니라 실제 도입 여부를 결정짓는 제약 조건으로 다룬다.

arXiv:2607.12380v2cs.LG공통 태그 Drug Discovery

SinAE: 교차 도메인 원자계를 위한 단일 아키텍처 플로우 매칭 오토인코더

SinAE: A Single-Architecture Flow-Matching Autoencoder for Cross-Domain Atomic Systems

소분자, 결정체, 단백질은 모두 3차원 공간의 원자로 환원되지만, 생성 파이프라인은 여전히 도메인별로 분절되어 있으며 각각 고유한 그래프, 등변(equivariant), 또는 프레임 기반 아키텍처를 사용한다. 교차 도메인 학습은 도메인별 데이터 부족을 완화할 수 있지만, 3차원 좌표 공간에서의 직접 생성은 세 도메인 모두의 이질적인 구조적 사전지식을 쉽게 다루기 어렵고, 기존 잠재 오토인코더 중 무손실이면서 세 도메인 모두에 걸쳐 아키텍처적으로 일반적인 것은 없다. 우리는 분자, 결정체, 단백질을 위한 단일 아키텍처 플로우 매칭 오토인코더인 SinAE를 제안하며, 이는 바닐라 트랜스포머 인코더와 디코더를 사용하고 등변, 그래프, 또는 도메인 특화 연산자를 포함하지 않는다. 인코더가 세밀한 기하를 포착하도록 요구하는 대신, SinAE는 재구성 부담을 반복적 플로우 매칭 디코더로 옮겨 도메인 전반에 걸쳐 거의 무손실 재구성을 달성하고, 기존 잠재 베이스라인 대비 재구성 오차를 여러 차수에 걸쳐 감소시킨다. 동일한 토큰별 잠재는 표준 Diffusion Transformer 사전 모델을 지원하며, 이는 분자, 결정체, 단백질 생성 벤치마크에서 강력한 성능을 달성한다. 분자-결정체 공동 학습은 두 도메인 모두를 뚜렷이 개선하여, 공유 원자 잠재를 통한 교차 도메인 전이의 직접적 증거를 제공한다. 코드는 https://github.com/BlueWhaleLab/SinAE 에서 이용할 수 있다.

arXiv:2607.09737v2physics.chem-ph공통 태그 Drug Discovery

Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.