論文の概要: EVA: Towards a universal model of the immune system

• arxiv url: http://arxiv.org/abs/2602.10168v1
• Date: Tue, 10 Feb 2026 13:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.212372
• Title: EVA: Towards a universal model of the immune system
• Title（参考訳）: EVA : 免疫系の普遍的モデルを目指して
• Authors: Ethan Bandasack, Vincent Bouget, Apolline Bruley, Yannis Cattan, Charlotte Claye, Matthew Corney, Julien Duquesne, Karim El Kanbi, Aziz Fouché, Pierre Marschall, Francesco Strozzi,
• Abstract要約: 免疫学と炎症の多モード基盤モデルとして,最初のクロス種EVAを紹介した。 EVAは、種、プラットフォーム、解像度のトランスクリプトミクスデータを調和させ、組織データを統合してリッチで統一された患者表現を生成する。 薬物開発パイプラインにまたがる39のタスクの総合的な評価スイートを紹介する。
• 参考スコア（独自算出の注目度）: 0.18593647992779516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The effective application of foundation models to translational research in immune-mediated diseases requires multimodal patient-level representations that can capture complex phenotypes emerging from multicellular interactions. Yet most current biological foundation models focus only on single-cell resolution and are evaluated on technical metrics often disconnected from actual drug development tasks and challenges. Here, we introduce EVA, the first cross-species, multimodal foundation model of immunology and inflammation, a therapeutic area where shared pathogenic mechanisms create unique opportunities for transfer learning. EVA harmonizes transcriptomics data across species, platforms, and resolutions, and integrates histology data to produce rich, unified patient representations. We establish clear scaling laws, demonstrating that increasing model size and compute translates to improvements in both pretraining and downstream tasks performance. We introduce a comprehensive evaluation suite of 39 tasks spanning the drug development pipeline: zero-shot target efficacy and gene function prediction for discovery, cross-species or cross-diseases molecular perturbations for preclinical development, and patient stratification with treatment response prediction or disease activity prediction for clinical trials applications. We benchmark EVA against several state-of-the-art biological foundation models and baselines on these tasks, and demonstrate state-of-the-art results on each task category. Using mechanistic interpretability, we further identify biological meaningful features, revealing intertwined representations across species and technologies. We release an open version of EVA for transcriptomics to accelerate research on immune-mediated diseases.
• Abstract（参考訳）: 免疫性疾患の翻訳研究への基礎モデルの効果的な応用には、多細胞間相互作用から生じる複雑な表現型を捉えることができるマルチモーダル患者レベルの表現が必要である。 しかし、現在のほとんどの生物学的基盤モデルは単細胞解像度にのみ焦点をあてており、しばしば実際の薬物開発タスクや課題から切り離された技術メトリクスで評価されている。 本稿では,免疫学と炎症の多モーダル基盤モデルであるEVAについて紹介する。 EVAは、種、プラットフォーム、解像度のトランスクリプトミクスデータを調和させ、組織データを統合してリッチで統一された患者表現を生成する。 我々は、モデルサイズと計算量の増加が事前学習と下流タスクのパフォーマンスの改善につながることを実証し、明確なスケーリング法則を確立する。 薬物開発パイプラインにまたがる39のタスクの総合的な評価スイートについて紹介する: ゼロショット標的効果と遺伝子機能の発見のための予測、前臨床開発のための分子摂動のクロスタイプまたはクロスディスリーズ、および臨床応用のための治療反応予測または疾患活動予測による患者階層化。 EVAをいくつかの最先端の生物基盤モデルとそれらのタスクのベースラインに比較し、各タスクカテゴリで最先端の結果を示す。 メカニスティックな解釈可能性を用いて,生物に意味のある特徴を同定し,種と技術にまたがる相互表現を明らかにする。 我々は,免疫性疾患の研究を加速するために,転写学のためのEVAのオープンバージョンをリリースする。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes [13.135589459700865]
  本稿では,パーソナライズされたPODリスク予測のための教師付き機械学習と,潜在的POD表現型を明らかにするための教師なしクラスタリング技術を組み合わせたアプローチを提案する。 SHAPの特徴空間におけるクラスタリング患者は,真の表現型を回復し,生の特徴空間におけるクラスタリングに優れることを示した。
  論文  参考訳（メタデータ） (2024-05-06T10:05:46Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。