論文の概要: TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis

• arxiv url: http://arxiv.org/abs/2511.18287v1
• Date: Sun, 23 Nov 2025 04:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.747719
• Title: TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis
• Title（参考訳）: TRIDENT: 薬物およびRNAを付加した細胞形態合成のためのトリモーダルカスケード生成フレームワーク
• Authors: Rui Peng, Ziru Liu, Lingyuan Ye, Yuxing Lu, Boxin Shi, Jinzhuo Wang,
• Abstract要約: TRIDENTは、摂動と対応する遺伝子発現プロファイルの両方を条件にすることで、現実的な細胞形態を合成するカスケード生成フレームワークである。 TRIDENTは最先端のアプローチよりも優れており、目に見えない化合物への強い一般化で最大7倍の改善を実現している。
• 参考スコア（独自算出の注目度）: 56.9460577864211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately modeling the relationship between perturbations, transcriptional responses, and phenotypic changes is essential for building an AI Virtual Cell (AIVC). However, existing methods typically constrained to modeling direct associations, such as Perturbation $\rightarrow$ RNA or Perturbation $\rightarrow$ Morphology, overlook the crucial causal link from RNA to morphology. To bridge this gap, we propose TRIDENT, a cascade generative framework that synthesizes realistic cellular morphology by conditioning on both the perturbation and the corresponding gene expression profile. To train and evaluate this task, we construct MorphoGene, a new dataset pairing L1000 gene expression with Cell Painting images for 98 compounds. TRIDENT significantly outperforms state-of-the-art approaches, achieving up to 7-fold improvement with strong generalization to unseen compounds. In a case study on docetaxel, we validate that RNA-guided synthesis accurately produces the corresponding phenotype. An ablation study further confirms that this RNA conditioning is essential for the model's high fidelity. By explicitly modeling transcriptome-phenome mapping, TRIDENT provides a powerful in silico tool and moves us closer to a predictive virtual cell.
• Abstract（参考訳）: AI仮想細胞(AIVC)構築には、摂動、転写応答、表現型変化の関係を正確にモデル化することが不可欠である。 しかし、既存の手法は、典型的には、摂動$\rightarrow$ RNAや摂動$\rightarrow$ Morphologyのような直接的な関連をモデル化することに制約されており、RNAから形態学への重要な因果関係を見落としている。 このギャップを埋めるために、我々は、摂動と対応する遺伝子発現プロファイルの両方を条件に、現実的な細胞形態を合成するカスケード生成フレームワークTRIDENTを提案する。 この課題を訓練し、評価するために、98化合物のセルペイント画像とL1000遺伝子をペアリングする新しいデータセットであるMorphoGeneを構築した。 TRIDENTは最先端のアプローチよりも優れており、目に見えない化合物への強い一般化で最大7倍の改善を実現している。 ドセタキセルのケーススタディにおいて、RNA誘導合成が対応する表現型を正確に生成していることを検証する。 アブレーション研究により、このRNAコンディショニングがモデルの高忠実度に必須であることが確認された。 トランスクリプトーム・フェノムマッピングを明示的にモデル化することで、TRIDENTは強力なサイリコツールを提供し、予測的な仮想細胞に近づく。

関連論文リスト

• A HyperGraphMamba-Based Multichannel Adaptive Model for ncRNA Classification [7.598192367116628]
  非コードRNA(ncRNA)は、遺伝子発現調節と様々な疾患の病原性において重要な役割を担っている。 本稿では,HGMamba-ncRNAを提案する。HGMamba-ncRNAはHyperGraphMambaをベースとしたマルチチャネル適応モデルである。 3つの公開データセットで実施された実験は、HGMamba-ncRNAが精度やその他の指標で常に最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-24T15:31:49Z)
• scSiameseClu: A Siamese Clustering Framework for Interpreting single-cell RNA Sequencing Data [33.191442026962186]
  単細胞RNAシークエンシング(scRNA-seq)は細胞不均一性を示す。 細胞クラスタリングは、細胞タイプとマーカー遺伝子の同定において重要な役割を担っている。 グラフニューラルネットワーク(GNN)ベースの手法はクラスタリング性能を大幅に改善した。 scSiameseCluはシングルセルRNA-seqデータを解釈するための新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-05-19T02:17:09Z)
• 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)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• 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)
• Neural network facilitated ab initio derivation of linear formula: A case study on formulating the relationship between DNA motifs and gene expression [8.794181445664243]
  本稿では、解釈可能なニューラルネットワークモデルに基づく新しいアプローチを用いて、シーケンスモチーフと線形式を導出するためのフレームワークを提案する。 この線形モデルは、深いニューラルネットワークモデルに匹敵する性能を持つプロモーター配列を用いて遺伝子発現レベルを予測することができることを示した。
  論文  参考訳（メタデータ） (2022-08-19T22:29:30Z)

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。