論文の概要: PerturbDiff: Functional Diffusion for Single-Cell Perturbation Modeling

• arxiv url: http://arxiv.org/abs/2602.19685v1
• Date: Mon, 23 Feb 2026 10:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.770754
• Title: PerturbDiff: Functional Diffusion for Single-Cell Perturbation Modeling
• Title（参考訳）: PerturbDiff:シングルセル摂動モデリングのための関数拡散
• Authors: Xinyu Yuan, Xixian Liu, Ya Shi Zhang, Zuobai Zhang, Hongyu Guo, Jian Tang,
• Abstract要約: PerturbDiffは、個々の細胞から分布全体へモデリングをシフトする。 PerturbDiffは、単一セル応答予測における最先端のパフォーマンスを実現し、目に見えない摂動をはるかに良く一般化する。
• 参考スコア（独自算出の注目度）: 32.464109652332915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building Virtual Cells that can accurately simulate cellular responses to perturbations is a long-standing goal in systems biology. A fundamental challenge is that high-throughput single-cell sequencing is destructive: the same cell cannot be observed both before and after a perturbation. Thus, perturbation prediction requires mapping unpaired control and perturbed populations. Existing models address this by learning maps between distributions, but typically assume a single fixed response distribution when conditioned on observed cellular context (e.g., cell type) and the perturbation type. In reality, responses vary systematically due to unobservable latent factors such as microenvironmental fluctuations and complex batch effects, forming a manifold of possible distributions for the same observed conditions. To account for this variability, we introduce PerturbDiff, which shifts modeling from individual cells to entire distributions. By embedding distributions as points in a Hilbert space, we define a diffusion-based generative process operating directly over probability distributions. This allows PerturbDiff to capture population-level response shifts across hidden factors. Benchmarks on established datasets show that PerturbDiff achieves state-of-the-art performance in single-cell response prediction and generalizes substantially better to unseen perturbations. See our project page (https://katarinayuan.github.io/PerturbDiff-ProjectPage/), where code and data will be made publicly available (https://github.com/DeepGraphLearning/PerturbDiff).
• Abstract（参考訳）: 摂動に対する細胞反応を正確にシミュレートできる仮想細胞を構築することは、システム生物学における長年の目標である。 基本的な課題は、高スループット単一細胞シークエンシングが破壊的であり、摂動の前と後の両方で同じ細胞が観察できないことである。 したがって、摂動予測には、無ペア制御と摂動人口のマッピングが必要である。 既存のモデルは、分布間のマップを学習することでこの問題に対処するが、通常、観察された細胞コンテキスト(例えば、細胞型)と摂動型に条件付けされた場合、単一の固定応答分布を仮定する。 実際、応答は微小環境変動や複雑なバッチ効果などの観測不可能な潜伏因子によって体系的に変化し、同じ観測条件で可能な分布の多様体を形成する。 この変動性を考慮するために、パートゥルブディフ(PerturbDiff)を導入し、モデリングを個々の細胞から分布全体へシフトさせる。 ヒルベルト空間の点として分布を埋め込むことで、確率分布を直接操作する拡散に基づく生成過程を定義する。 これによりPerturbDiffは、隠された要因間の集団レベルの応答シフトをキャプチャできる。 確立されたデータセットのベンチマークによると、PerturbDiffは単一セル応答予測において最先端のパフォーマンスを達成し、目に見えない摂動よりもはるかに良く一般化する。 私たちのプロジェクトページ(https://katarinayuan.github.io/PerturbDiff-ProjectPage/)を参照してください。

関連論文リスト

• 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)
• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• 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)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Generative inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion [46.1232919707345]
  フラクショナルブラウン運動(fBm)はランダム性と強いスケールフリーの相関を特徴とする。 本稿では, 劣化した画像の特定のデータセット上で, 拡散に基づく塗布方法の動物園について検討する。 条件拡散生成は、異なるメモリ状態におけるfBmパスの組込み相関を容易に再現する。
  論文  参考訳（メタデータ） (2024-04-10T14:22:16Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
  本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。 これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
  論文  参考訳（メタデータ） (2022-11-07T15:47:40Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)

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。