論文の概要: PRESCRIBE: Predicting Single-Cell Responses with Bayesian Estimation

• arxiv url: http://arxiv.org/abs/2510.07964v1
• Date: Thu, 09 Oct 2025 08:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.97062
• Title: PRESCRIBE: Predicting Single-Cell Responses with Bayesian Estimation
• Title（参考訳）: PreSCRIBE:ベイズ推定による単一セル応答予測
• Authors: Jiabei Cheng, Changxi Chi, Jingbo Zhou, Hongyi Xin, Jun Xia,
• Abstract要約: 単細胞摂動予測では、トレーニングデータに見えない遺伝子摂動の効果を予測することが中心課題である。 このような予測の有効性は,(1) 対象遺伝子とトレーニングデータに表れている遺伝子との類似性,(2) モデルの不確かさを知らせる,(2) 対応するトレーニングデータの品質,という2つの要因に依存する。
• 参考スコア（独自算出の注目度）: 18.229832492282654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In single-cell perturbation prediction, a central task is to forecast the effects of perturbing a gene unseen in the training data. The efficacy of such predictions depends on two factors: (1) the similarity of the target gene to those covered in the training data, which informs model (epistemic) uncertainty, and (2) the quality of the corresponding training data, which reflects data (aleatoric) uncertainty. Both factors are critical for determining the reliability of a prediction, particularly as gene perturbation is an inherently stochastic biochemical process. In this paper, we propose PRESCRIBE (PREdicting Single-Cell Response wIth Bayesian Estimation), a multivariate deep evidential regression framework designed to measure both sources of uncertainty jointly. Our analysis demonstrates that PRESCRIBE effectively estimates a confidence score for each prediction, which strongly correlates with its empirical accuracy. This capability enables the filtering of untrustworthy results, and in our experiments, it achieves steady accuracy improvements of over 3% compared to comparable baselines.
• Abstract（参考訳）: 単細胞摂動予測では、トレーニングデータに見えない遺伝子摂動の効果を予測することが中心課題である。 このような予測の有効性は,(1) 対象遺伝子とトレーニングデータに表れている遺伝子との類似性,(2) モデルの不確かさを知らせる,(2) 対応するトレーニングデータの品質,すなわちデータの不確かさを反映する,の2つの要因に依存する。 どちらの因子も予測の信頼性を決定するのに重要であり、特に遺伝子摂動は本質的に確率的な生化学的過程である。 本稿では,両不確実性源の同時測定を目的とした多変量深部明度回帰フレームワーク PreSCRIBE (Predicting Single-Cell Response wIth Bayesian Estimation) を提案する。 分析の結果,PreSCRIBEは各予測に対する信頼度を効果的に推定し,実験精度と強く相関していることがわかった。 この能力により、信頼できない結果のフィルタリングが可能となり、我々の実験では、同等のベースラインに比べて3%以上、安定した精度の向上を実現している。

関連論文リスト

• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data [36.31936265985164]
  GraphDKLは、グラフによる因果効果推定を行う際に、肯定的仮定違反に対処する最初のフレームワークである。 本研究では,ネットワークデータに対する不確実性を考慮した因果効果推定における提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-09-15T05:25:43Z)
• Calibrated and Conformal Propensity Scores for Causal Effect Estimation [10.209143402485406]
  学習された確率スコアモデルの確率的出力は校正されるべきである。 校正確率スコアはGWAS解析の速度を2倍以上に向上させる。
  論文  参考訳（メタデータ） (2023-06-01T06:26:26Z)
• Uncertainty-Aware Training for Cardiac Resynchronisation Therapy Response Prediction [3.090173647095682]
  予測の不確実性の定量化は、そのような解釈可能性を提供し、信頼を促進する1つの方法である。 心臓磁気共鳴画像からの心再同期治療応答予測のためのDLモデルのデータ(アラート的)とモデル(緊急的)の不確かさを定量化する。 我々は、既存のDL画像に基づく分類モデルを再訓練し、正しい予測の信頼性を高めるために使用できる不確実性認識損失関数を予備検討する。
  論文  参考訳（メタデータ） (2021-09-22T10:37:50Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。