論文の概要: MorphGen: Controllable and Morphologically Plausible Generative Cell-Imaging

• arxiv url: http://arxiv.org/abs/2510.01298v1
• Date: Wed, 01 Oct 2025 13:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.801124
• Title: MorphGen: Controllable and Morphologically Plausible Generative Cell-Imaging
• Title（参考訳）: MorphGen:制御可能で、モルフォロジー的にプラズブルな生成細胞イメージング
• Authors: Berker Demirel, Marco Fumero, Theofanis Karaletsos, Francesco Locatello,
• Abstract要約: MorphGenは、蛍光顕微鏡のための最先端拡散ベースの生成モデルである。 蛍光チャネルの完全なセットを共同で生成し、構造体ごとに保存する。 MorphGenは、これまでの最先端のMorphoDiffよりも35%以上低いFIDスコアを獲得している。
• 参考スコア（独自算出の注目度）: 31.990445585569688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating in silico cellular responses to interventions is a promising direction to accelerate high-content image-based assays, critical for advancing drug discovery and gene editing. To support this, we introduce MorphGen, a state-of-the-art diffusion-based generative model for fluorescent microscopy that enables controllable generation across multiple cell types and perturbations. To capture biologically meaningful patterns consistent with known cellular morphologies, MorphGen is trained with an alignment loss to match its representations to the phenotypic embeddings of OpenPhenom, a state-of-the-art biological foundation model. Unlike prior approaches that compress multichannel stains into RGB images -- thus sacrificing organelle-specific detail -- MorphGen generates the complete set of fluorescent channels jointly, preserving per-organelle structures and enabling a fine-grained morphological analysis that is essential for biological interpretation. We demonstrate biological consistency with real images via CellProfiler features, and MorphGen attains an FID score over $35\%$ lower than the prior state-of-the-art MorphoDiff, which only generates RGB images for a single cell type. Code is available at https://github.com/czi-ai/MorphGen.
• Abstract（参考訳）: 介入に対するシリコ細胞応答のシミュレーションは、高濃度画像ベースアッセイを加速させる有望な方向であり、薬物発見と遺伝子編集の促進に重要である。 このことを支援するために,蛍光顕微鏡の最先端拡散モデルであるMorphGenを導入し,複数の細胞タイプと摂動を制御可能な生成を可能にする。 既知の細胞形態と整合した生物学的に有意なパターンを捉えるために、MorphGenは、その表現を最先端の生物学的基盤モデルであるOpenPhenomの表現型埋め込みと一致するようにアライメント損失で訓練されている。 マルチチャネル染色をRGB画像に圧縮する以前のアプローチとは違って、MorphGenは蛍光チャネルの完全なセットを共同で生成し、分子単位の構造を保存し、生物学的解釈に不可欠な微細な形態解析を可能にする。 我々は、CellProfiler機能を介して実画像との生物学的整合性を実証し、MorphGenは、単一のセルタイプに対してのみRGB画像を生成する、従来の最先端のMorphoDiffよりも35\%以上低いFIDスコアを得る。 コードはhttps://github.com/czi-ai/MorphGen.comで入手できる。

関連論文リスト

• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• MorphGen: Morphology-Guided Representation Learning for Robust Single-Domain Generalization in Histopathological Cancer Classification [7.220226391639059]
  計算病理学における領域一般化は、スライド画像全体の不均一性によって妨げられる。 組織像,拡張,核分割マスクを統合したMorphGenを提案する。 画像の汚損(染色品など)や敵攻撃に対する学習表現のレジリエンスを実証する。
  論文  参考訳（メタデータ） (2025-08-30T01:59:19Z)
• Integrating Biological Knowledge for Robust Microscopy Image Profiling on De Novo Cell Lines [6.8917447861745735]
  本稿では、顕微鏡画像プロファイリングモデルを強化するために、外部生物学的知識を既存の事前学習戦略に統合するフレームワークを提案する。 提案手法は外的生物学的情報を用いて摂動特異的および細胞線特異的な表現を明示的に阻害する。 実験により,本手法はテクスタイドノボ細胞株の顕微鏡画像プロファイリングを向上することが示された。
  論文  参考訳（メタデータ） (2025-07-14T19:01:06Z)
• ViTally Consistent: Scaling Biological Representation Learning for Cell Microscopy [3.432992120614117]
  細胞顕微鏡データの基盤モデルとしては,これまでで最大である。 従来のViT-L/8 MAEと比較して, 遺伝的摂動の線形分離性は60%向上した。
  論文  参考訳（メタデータ） (2024-11-04T20:09:51Z)
• 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)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• From augmented microscopy to the topological transformer: a new approach in cell image analysis for Alzheimer's research [0.0]
  細胞画像解析は、細胞機能を抑制するA$beta$タンパク質の存在を検出するために、アルツハイマーの研究において重要である。 Unetは,マルチクラスセマンティックスセグメンテーションの性能を比較することで,拡張顕微鏡に最も適していることがわかった。 我々は,Unetモデルを用いて,光電場画像中の原子核を捕捉する拡張顕微鏡法を開発し,入力画像を位相情報列に変換する。
  論文  参考訳（メタデータ） (2021-08-03T16:59:33Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)

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。