論文の概要: MechPert: Mechanistic Consensus as an Inductive Bias for Unseen Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2602.13791v1
• Date: Sat, 14 Feb 2026 14:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.423681
• Title: MechPert: Mechanistic Consensus as an Inductive Bias for Unseen Perturbation Prediction
• Title（参考訳）: MechPert: 異常摂動予測のための誘導バイアスとしてのメカニスティック・コンセンサス
• Authors: Marc Boubnovski Martell, Josefa Lia Stoisser, Lawrence Phillips, Aditya Misra, Robert Kitchen, Jesper Ferkinghoff-Borg, Jialin Yu, Philip Torr, Kaspar Märten,
• Abstract要約: MechPertは、エージェントが指示された規制仮説を生成することを奨励する軽量フレームワークである。 低データ体制における摂動予測のために、MechPertは類似性に基づくベースラインよりもピアソン相関を最大10.5%改善した。 実験的設計のために、MechPert選択アンカー遺伝子は、正常な細胞株において、標準ネットワーク中心性よりも最大46%優れていた。
• 参考スコア（独自算出の注目度）: 20.800722761287936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting transcriptional responses to unseen genetic perturbations is essential for understanding gene regulation and prioritizing large-scale perturbation experiments. Existing approaches either rely on static, potentially incomplete knowledge graphs, or prompt language models for functionally similar genes, retrieving associations shaped by symmetric co-occurrence in scientific text rather than directed regulatory logic. We introduce MechPert, a lightweight framework that encourages LLM agents to generate directed regulatory hypotheses rather than relying solely on functional similarity. Multiple agents independently propose candidate regulators with associated confidence scores; these are aggregated through a consensus mechanism that filters spurious associations, producing weighted neighborhoods for downstream prediction. We evaluate MechPert on Perturb-seq benchmarks across four human cell lines. For perturbation prediction in low-data regimes ($N=50$ observed perturbations), MechPert improves Pearson correlation by up to 10.5\% over similarity-based baselines. For experimental design, MechPert-selected anchor genes outperform standard network centrality heuristics by up to 46\% in well-characterized cell lines.
• Abstract（参考訳）: 遺伝的摂動に対する転写応答の予測は、遺伝子の制御を理解し、大規模な摂動実験を優先順位付けするために不可欠である。 既存のアプローチは静的な、潜在的に不完全な知識グラフ、あるいは機能的に類似した遺伝子の言語モデルに依存しており、指示された規制論理ではなく、科学的テキストにおける対称的共起によって形成された関連を検索する。 我々は,LLMエージェントが機能的類似性のみに頼るのではなく,指向的な規制仮説を生成することを奨励する軽量フレームワークであるMechPertを紹介した。 複数のエージェントが独立して、関連する信頼スコアを持つ候補レギュレータを提案し、これらは、急激な関連をフィルタリングし、下流予測のための重み付けされた地区を生成するコンセンサスメカニズムを通じて集約される。 MechPert on Perturb-seq benchmarks across four human cell lines。 低データ体制における摂動予測(N=50$観測摂動)のために、MechPertは類似性に基づくベースラインよりもピアソン相関を最大10.5\%改善する。 実験的設計のために、MechPert選択アンカー遺伝子は、正常な細胞株において、標準のネットワーク中心性ヒューリスティックスを最大46\%上回った。

関連論文リスト

• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction [12.48933770510505]
  条件付きフローマッチングに基づく生成フレームワークである scDFM を提案する。 scDFMは、細胞レベルでの通信以上の個体群を混乱させ、制御する。
  論文  参考訳（メタデータ） (2026-02-06T17:00:21Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• Cauchy-Schwarz Fairness Regularizer [17.898277374771254]
  機械学習におけるグループフェアネスは、モデル予測とセンシティブな属性間の依存を減らす正規化子を追加することで強制されることが多い。 感性群に条件付けられた予測分布間の経験的CSのばらつきを罰するコーシー=シュワルツフェアネス正規化器を提案する。
  論文  参考訳（メタデータ） (2025-12-10T09:39:30Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Context-Aware Regularization with Markovian Integration for Attention-Based Nucleotide Analysis [0.2718525106069543]
  自己回帰変換器は、固定長のコンテキストウィンドウに頼ってマルコフの振る舞いを示す。 CARMANIAは、NT予測を遷移行列(TM)損失で強化する自己教師型事前学習フレームワークである。 TM損失は、予測トークン遷移を、各入力シーケンスから経験的に導出されたn-gram統計と整合させ、局所的なコンテキストを超えた高次依存関係を捕捉するようモデルに促す。
  論文  参考訳（メタデータ） (2025-07-12T19:03:28Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)

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。