論文の概要: Adversarial Batch Representation Augmentation for Batch Correction in High-Content Cellular Screening

• arxiv url: http://arxiv.org/abs/2603.05622v1
• Date: Thu, 05 Mar 2026 19:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.392364
• Title: Adversarial Batch Representation Augmentation for Batch Correction in High-Content Cellular Screening
• Title（参考訳）: 高濃度細胞スクリーニングにおけるバッチ補正のための逆バッチ表現法
• Authors: Lei Tong, Xujing Yao, Adam Corrigan, Long Chen, Navin Rathna Kumar, Kerry Hallbrook, Jonathan Orme, Yinhai Wang, Huiyu Zhou,
• Abstract要約: 実験的実行の技術的バリエーションは、必然的に生物学的バッチ(バイオバッチ)効果を誘発する。 既存のバッチ補正手法は、追加の事前知識や、目に見えないバイオバッチの一般化に苦慮している。 ABRAは、特徴統計を構造化された不確実性としてパラメータ化することで、バッチの統計ゆらぎを明示的にモデル化する。 表現空間における最悪のバイオバッチ摂動を合成し、厳密な角幾何学的マージンで導かれ、微細なクラス識別性を維持する。
• 参考スコア（独自算出の注目度）: 20.26350586174878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-Content Screening routinely generates massive volumes of cell painting images for phenotypic profiling. However, technical variations across experimental executions inevitably induce biological batch (bio-batch) effects. These cause covariate shifts and degrade the generalization of deep learning models on unseen data. Existing batch correction methods typically rely on additional prior knowledge (e.g., treatment or cell culture information) or struggle to generalize to unseen bio-batches. In this work, we frame bio-batch mitigation as a Domain Generalization (DG) problem and propose Adversarial Batch Representation Augmentation (ABRA). ABRA explicitly models batch-wise statistical fluctuations by parameterizing feature statistics as structured uncertainties. Through a min-max optimization framework, it actively synthesizes worst-case bio-batch perturbations in the representation space, guided by a strict angular geometric margin to preserve fine-grained class discriminability. To prevent representation collapse during this adversarial exploration, we introduce a synergistic distribution alignment objective. Extensive evaluations on the large-scale RxRx1 and RxRx1-WILDS benchmarks demonstrate that ABRA establishes a new state-of-the-art for siRNA perturbation classification.
• Abstract（参考訳）: 高コンテントスクリーニングは、表現型プロファイリングのための大量のセルペイント画像を生成する。 しかし、実験的実行における技術的なバリエーションは、必然的に生物学的バッチ(バイオバッチ)効果を誘発する。 これらが共変量シフトを引き起こし、目に見えないデータに基づくディープラーニングモデルの一般化を低下させる。 既存のバッチ補正手法は、通常、追加の事前知識(例えば、治療や細胞培養情報)や、目に見えないバイオバッチへの一般化に苦慮する。 本研究では,生物バッチの緩和をドメイン一般化(DG)問題として捉え,Adversarial Batch Representation Augmentation (ABRA)を提案する。 ABRAは、特徴統計を構造化された不確実性としてパラメータ化することで、バッチの統計ゆらぎを明示的にモデル化する。 min-max最適化フレームワークを通じて、表現空間における最悪のバイオバッチ摂動を積極的に合成し、厳密な角幾何学的マージンで導かれ、粒度の細かいクラス識別性を維持する。 この対向探索における表現の崩壊を防ぐために、相乗的分布アライメントの目的を導入する。 大規模RxRx1とRxRx1-WILDSベンチマークの大規模な評価は、ABRAがsiRNA摂動分類のための新しい最先端技術を確立していることを示している。

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)
• Detecting Batch Heterogeneity via Likelihood Clustering [0.9668407688201359]
  バッチエフェクトはゲノム診断の主要な共同創設者である。 ベイジアンモデル証拠に従ってサンプルをクラスタリングすることで,両方の制約に対処する手法を提案する。 本手法は,標準相関法や次元縮小法と比較して,クラスタリング精度が優れている。
  論文  参考訳（メタデータ） (2026-01-14T01:49:21Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• 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)
• Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach [69.01456182499486]
  textbfBR-Genは、さまざまなシーン認識アノテーションを備えた15万のローカル鍛造イメージの大規模なデータセットである。 textbfNFA-ViTはノイズ誘導フォージェリ増幅ビジョン変換器で、ローカライズされたフォージェリの検出を強化する。
  論文  参考訳（メタデータ） (2025-04-16T09:57:23Z)
• Modeling variable guide efficiency in pooled CRISPR screens with ContrastiveVI+ [1.2289361708127877]
  ContrastiveVI+は、摂動に関連するバリエーションから摂動によって引き起こされる摂動を歪ませる生成的モデリングフレームワークである。 3つの大規模Perturb-seqデータセットに適用される。
  論文  参考訳（メタデータ） (2024-11-11T19:16:34Z)
• scMEDAL for the interpretable analysis of single-cell transcriptomics data with batch effect visualization using a deep mixed effects autoencoder [3.194381706244149]
  単セル混合効果Deep Autoencoder学習フレームワークである scMEDAL を提案する。 scMEDALは2つの補完ワークを使用して、バッチ不変とバッチ固有のエフェクトをモデル化する。 scMEDALは、skMEDAL-FEと確立された修正方法を補完する解釈可能なバッチ固有の埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-11-11T00:10:48Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。