論文の概要: Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges

• arxiv url: http://arxiv.org/abs/2506.21107v1
• Date: Thu, 26 Jun 2025 09:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.033684
• Title: Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges
• Title（参考訳）: Unlasting: Dual Conditional Diffusion Implicit Bridges による単セル単セルマルチ摂動推定
• Authors: Changxi Chi, Jun Xia, Yufei Huang, Jingbo Zhou, Siyuan Li, Yunfan Liu, Chang Yu, Stan Z. Li,
• Abstract要約: 本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
• 参考スコア（独自算出の注目度）: 68.98973318553983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating single-cell responses across various perturbations facilitates the identification of key genes and enhances drug screening, significantly boosting experimental efficiency. However, single-cell sequencing is a destructive process, making it impossible to capture the same cell's phenotype before and after perturbation. Consequently, data collected under perturbed and unperturbed conditions are inherently unpaired. Existing methods either attempt to forcibly pair unpaired data using random sampling, or neglect the inherent relationship between unperturbed and perturbed cells during the modeling. In this work, we propose a framework based on Dual Diffusion Implicit Bridges (DDIB) to learn the mapping between different data distributions, effectively addressing the challenge of unpaired data. We further interpret this framework as a form of data augmentation. We integrate gene regulatory network (GRN) information to propagate perturbation signals in a biologically meaningful way, and further incorporate a masking mechanism to predict silent genes, improving the quality of generated profiles. Moreover, gene expression under the same perturbation often varies significantly across cells, frequently exhibiting a bimodal distribution that reflects intrinsic heterogeneity. To capture this, we introduce a more suitable evaluation metric. We propose Unlasting, dual conditional diffusion models that overcome the problem of unpaired single-cell perturbation data and strengthen the model's insight into perturbations under the guidance of the GRN, with a dedicated mask model designed to improve generation quality by predicting silent genes. In addition, we introduce a biologically grounded evaluation metric that better reflects the inherent heterogeneity in single-cell responses.
• Abstract（参考訳）: 様々な摂動にまたがる単一細胞応答の推定は、鍵遺伝子の同定を促進し、薬物スクリーニングを強化し、実験効率を著しく向上させる。 しかし、単一細胞のシークエンシングは破壊的なプロセスであり、摂動前後に同じ細胞の表現型を捉えることは不可能である。 結果として、摂動条件および摂動条件下で収集されたデータは本質的に未ペア化される。 既存の方法は、ランダムサンプリングを使って強制的にペアリングしようとするか、モデリング中に摂動細胞と摂動細胞の固有の関係を無視する。 本研究では,異なるデータ分布間のマッピングを学習するためのDual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々はさらに、このフレームワークをデータ拡張の形式として解釈する。 我々は、遺伝子制御ネットワーク(GRN)情報を生物学的に意味のある方法で摂動シグナルを伝達するために統合し、さらにサイレント遺伝子を予測するためのマスキング機構を組み込んで、生成されたプロファイルの品質を向上させる。 さらに、同じ摂動下での遺伝子発現は細胞間で大きく異なり、内在的な不均一性を反映する二モーダル分布がしばしば現れる。 これを捉えるために、より適切な評価基準を導入する。 我々は,無ペア単一セル摂動データの問題を克服し,GRNの指導の下,モデルが摂動に対する洞察を強める2つの条件拡散モデルを提案し,サイレント遺伝子を予測して生成品質を向上させるためのマスクモデルを提案する。 さらに,単細胞応答における固有不均一性をよりよく反映する生物学的基盤評価指標を導入する。

関連論文リスト

• Modeling variable guide efficiency in pooled CRISPR screens with ContrastiveVI+ [1.2289361708127877]
  ContrastiveVI+は、摂動に関連するバリエーションから摂動によって引き起こされる摂動を歪ませる生成的モデリングフレームワークである。 3つの大規模Perturb-seqデータセットに適用される。
  論文  参考訳（メタデータ） (2024-11-11T19:16:34Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
  本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。 これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
  論文  参考訳（メタデータ） (2022-11-07T15:47:40Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)

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。