論文の概要: Morphologically Intelligent Perturbation Prediction with FORM

• arxiv url: http://arxiv.org/abs/2510.21337v1
• Date: Fri, 24 Oct 2025 11:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.443789
• Title: Morphologically Intelligent Perturbation Prediction with FORM
• Title（参考訳）: ホルムを用いた形態的知能摂動予測
• Authors: Reed Naidoo, Matt De Vries, Olga Fourkioti, Vicky Bousgouni, Mar Arias-Garcia, Maria Portillo-Malumbres, Chris Bakal,
• Abstract要約: FORMは、三次元細胞構造における摂動によって引き起こされる変化を予測する機械学習フレームワークである。 多様な化学的および遺伝的摂動にまたがる65,000以上の3D細胞ボリュームの大規模なデータセットで訓練された。 MorphoEvalは、構造、統計、生物学的次元における摂動によって引き起こされる変化を定量化するベンチマークスイートである。
• 参考スコア（独自算出の注目度）: 2.9316801942271304
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding how cells respond to external stimuli is a central challenge in biomedical research and drug development. Current computational frameworks for modelling cellular responses remain restricted to two-dimensional representations, limiting their capacity to capture the complexity of cell morphology under perturbation. This dimensional constraint poses a critical bottleneck for the development of accurate virtual cell models. Here, we present FORM, a machine learning framework for predicting perturbation-induced changes in three-dimensional cellular structure. FORM consists of two components: a morphology encoder, trained end-to-end via a novel multi-channel VQGAN to learn compact 3D representations of cell shape, and a diffusion-based perturbation trajectory module that captures how morphology evolves across perturbation conditions. Trained on a large-scale dataset of over 65,000 multi-fluorescence 3D cell volumes spanning diverse chemical and genetic perturbations, FORM supports both unconditional morphology synthesis and conditional simulation of perturbed cell states. Beyond generation, FORM can predict downstream signalling activity, simulate combinatorial perturbation effects, and model morphodynamic transitions between states of unseen perturbations. To evaluate performance, we introduce MorphoEval, a benchmarking suite that quantifies perturbation-induced morphological changes in structural, statistical, and biological dimensions. Together, FORM and MorphoEval work toward the realisation of the 3D virtual cell by linking morphology, perturbation, and function through high-resolution predictive simulation.
• Abstract（参考訳）: 細胞が外部からの刺激にどのように反応するかを理解することは、生体医学の研究と薬物開発における中心的な課題である。 細胞応答をモデル化するための現在の計算フレームワークは、2次元の表現に限られており、摂動下での細胞形態の複雑さを捉える能力に制限されている。 この次元制約は、正確な仮想セルモデルの開発において重要なボトルネックとなる。 本稿では,3次元細胞構造における摂動誘起変化を予測する機械学習フレームワークFORMを提案する。 formは2つのコンポーネントから構成される: モルフォロジーエンコーダ、新しいマルチチャネルVQGANを介して訓練されたエンドツーエンドで細胞形状のコンパクトな3D表現を学ぶための訓練されたVQGAN、そして、モーフィロジーが摂動条件を越えてどのように進化するかをキャプチャする拡散ベースの摂動軌道モジュール。 様々な化学的および遺伝的摂動にまたがる65,000以上の多蛍光3D細胞体積の大規模なデータセットに基づいて訓練され、FORMは無条件形態素合成と摂動細胞状態の条件シミュレーションの両方をサポートする。 生成を超えて、formは下流のシグナル伝達活性を予測し、組合せ摂動効果をシミュレートし、目に見えない摂動状態間の形態力学的遷移をモデル化することができる。 構造,統計,生物学的次元における摂動による形態変化を定量化するベンチマークスイートであるMorphoEvalを導入する。 FORMとMorphoEvalは、高分解能予測シミュレーションを通じて形態学、摂動、関数をリンクすることで、3次元仮想細胞の実現に向けて働く。

関連論文リスト

• NeuralPDR: Neural Differential Equations as surrogate models for Photodissociation Regions [3.030422700459718]
  元の化学コードを置き換えるサロゲートモデルを提案する。 これらのサロゲートモデルは,データセットの観測可能なカラム密度マップを高速化し,再現することができることを示す。
  論文  参考訳（メタデータ） (2025-06-17T07:35:02Z)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• CellFlux: Simulating Cellular Morphology Changes via Flow Matching [44.8979602893102]
  本稿では,化学および遺伝的摂動による細胞形態変化をシミュレートする画像生成モデルであるCellFluxを紹介する。 CellFluxは生物学的に意味のある細胞画像を生成し、摂動特異的な形態変化を忠実に捉える。 これらの能力は、生体医学研究のための仮想細胞モデリングの実現に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-02-13T21:10:00Z)
• Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
  不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。 提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
  論文  参考訳（メタデータ） (2024-04-05T12:40:03Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Prediction of Diblock Copolymer Morphology via Machine Learning [0.0]
  長い時間スケールでのブロックポリマーのモルフォロジー進化の計算を高速化するための機械学習手法が提案されている。 経験的消滅モデルとは対照的に,提案手法は粒子シミュレーションから直接連続的に駆動される欠陥過程について学習する。 この研究は、指向的な自己組織化とマイクロエレクトロニクス、電池材料、膜における材料設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-31T17:45:34Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。