論文の概要: scPPDM: A Diffusion Model for Single-Cell Drug-Response Prediction

• arxiv url: http://arxiv.org/abs/2510.11726v1
• Date: Wed, 08 Oct 2025 16:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.006122
• Title: scPPDM: A Diffusion Model for Single-Cell Drug-Response Prediction
• Title（参考訳）: scPPDM : シングルセル薬物応答予測のための拡散モデル
• Authors: Zhaokang Liang, Shuyang Zhuang, Xiaoran Jiao, Weian Mao, Hao Chen, Chunhua Shen,
• Abstract要約: 本稿では,ScRNA-seqデータから単一セルの薬物応答予測を行う最初の拡散型フレームワークであるScPPDMを紹介する。 scPPDMは、非結合性GD-Attnを介して一貫した潜伏空間に、摂動前状態と投与量のある薬物の2つの条件チャネルを結合する。
• 参考スコア（独自算出の注目度）: 44.96130504547205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces the Single-Cell Perturbation Prediction Diffusion Model (scPPDM), the first diffusion-based framework for single-cell drug-response prediction from scRNA-seq data. scPPDM couples two condition channels, pre-perturbation state and drug with dose, in a unified latent space via non-concatenative GD-Attn. During inference, factorized classifier-free guidance exposes two interpretable controls for state preservation and drug-response strength and maps dose to guidance magnitude for tunable intensity. Evaluated on the Tahoe-100M benchmark under two stringent regimes, unseen covariate combinations (UC) and unseen drugs (UD), scPPDM sets new state-of-the-art results across log fold-change recovery, delta correlations, explained variance, and DE-overlap. Representative gains include +36.11%/+34.21% on DEG logFC-Spearman/Pearson in UD over the second-best model. This control interface enables transparent what-if analyses and dose tuning, reducing experimental burden while preserving biological specificity.
• Abstract（参考訳）: 本稿では,scPPDM(Single-Cell Perturbation Prediction Diffusion Model)を提案する。 scPPDMは、非結合性GD-Attnを介して一貫した潜伏空間に、摂動前状態と投与量のある薬物の2つの条件チャネルを結合する。 推論中、分解型分類器フリーガイダンスは、状態保存と薬物応答強度の2つの解釈可能な制御を露出し、調整可能な強度の誘導等級にマップする。 Tahoe-100Mベンチマークを2つの厳密な条件下で評価し、コバーリネート (UC) と未確認薬物 (UD) を組み合わせて、 scPPDM はログ・フォールド・チェンジ・リカバリ、デルタ相関、説明分散、De-overlap にまたがる新しい最先端の結果を設定する。 代表利得は、DEC logFC-Spearman/Pearsonの+36.11%/+34.21%である。 この制御インタフェースは、生物学的特異性を保ちながら、透過的なオンフ分析と線量調整を可能にし、実験的な負担を軽減する。

関連論文リスト

• Prior-Guided Residual Diffusion: Calibrated and Efficient Medical Image Segmentation [11.375625987308927]
  Prior-Guided Residual Diffusion (PGRD) は、ボクセルの分布を学習する拡散ベースのフレームワークである。 MRIおよびCTデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-09-01T10:13:15Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  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。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Accelerating Drug Safety Assessment using Bidirectional-LSTM for SMILES Data [0.0]
  Bi-Directional Long Short Term Memory (BiLSTM) は、入力分子配列を処理するリカレントニューラルネットワーク(RNN)の変種である。 提案した研究は、SMILES文字列にコードされたシーケンシャルパターンを理解することを目的としており、それによって分子の毒性を予測する。
  論文  参考訳（メタデータ） (2024-07-08T18:12:11Z)
• Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
  本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。 時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。 5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T04:22:11Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors [0.3749861135832073]
  本稿では,ベイジアン・プロコバと呼ばれる新しいベイジアン確率的共変量補正手法を提案する。 RCT参加者のためのデジタルツインジェネレータ(DTG)を構成する生成人工知能(AI)アルゴリズムに基づいている。 DTGは、履歴制御データに基づいてトレーニングされ、制御処理により各RTT参加者の結果に対してデジタルツイン(DT)確率分布を生成する。 後部分布から抽出する効率的なギブスアルゴリズムを確立し, 後部平均に対するクローズドフォーム表現と, 処理効果パラメータの重みに対する分散を導出する。
  論文  参考訳（メタデータ） (2023-10-27T10:05:06Z)
• Non-invasive Waveform Analysis for Emergency Triage via Simulated Hemorrhage: An Experimental Study using Novel Dynamic Lower Body Negative Pressure Model [3.0180851707924243]
  本研究では,現在進行中の低ボロン血症のレベルを分類するために,ディープラーニング(DL)フレームワークの識別能力について検討した。 従来のモデルとは対照的に,動的LBNPプロトコルを用い,LBNPを段階的に段階的に段階的に段階的に適用した。 基礎となる非侵襲的な信号とラベリングセグメントを対応するLBNPターゲットレベルにセグメント化することにより,3次分類のためのDLベースのフレームワークを実現した。
  論文  参考訳（メタデータ） (2023-03-01T12:37:52Z)

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。