論文の概要: Causal Cellular Context Transfer Learning (C3TL): An Efficient Architecture for Prediction of Unseen Perturbation Effects

• arxiv url: http://arxiv.org/abs/2603.13051v1
• Date: Fri, 13 Mar 2026 15:02:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.14374
• Title: Causal Cellular Context Transfer Learning (C3TL): An Efficient Architecture for Prediction of Unseen Perturbation Effects
• Title（参考訳）: Causal Cellular Context Transfer Learning (C3TL): 目に見えない摂動効果の予測のための効率的なアーキテクチャ
• Authors: Michael Scholkemper, Sach Mukherjee,
• Abstract要約: 定量的な細胞状態に対する化学的および遺伝的摂動の影響を予測することは、計算生物学における中心的な課題である。 最近の研究は、この課題に対処するために大規模な単一セルデータと大規模な基礎モデルを活用している。 本稿では,生物学的介入の構造的性質を利用した摂動効果予測のための軽量フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.4396660855145695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the effects of chemical and genetic perturbations on quantitative cell states is a central challenge in computational biology, molecular medicine and drug discovery. Recent work has leveraged large-scale single-cell data and massive foundation models to address this task. However, such computational resources and extensive datasets are not always accessible in academic or clinical settings, hence limiting utility. Here we propose a lightweight framework for perturbation effect prediction that exploits the structured nature of biological interventions and specific inductive biases/invariances. Our approach leverages available information concerning perturbation effects to allow generalization to novel contexts and requires only widely-available bulk molecular data. Extensive testing, comparing predictions of context-specific perturbation effects against real, large-scale interventional experiments, demonstrates accurate prediction in new contexts. The proposed approach is competitive with SOTA foundation models but requires simpler data, much smaller model sizes and less time. Focusing on robust bulk signals and efficient architectures, we show that accurate prediction of perturbation effects is possible without proprietary hardware or very large models, hence opening up ways to leverage causal learning approaches in biomedicine generally.
• Abstract（参考訳）: 化学および遺伝的摂動が定量的な細胞状態に与える影響を予測することは、計算生物学、分子医学、薬物発見における中心的な課題である。 最近の研究は、この課題に対処するために大規模な単一セルデータと大規模な基礎モデルを活用している。 しかし、そのような計算資源や広範なデータセットは、必ずしも学術的または臨床的な環境ではアクセスできないため、実用性は制限される。 本稿では、生物学的介入の構造的性質と特定の誘導バイアス/不変性を利用する摂動効果予測のための軽量なフレームワークを提案する。 提案手法では、摂動効果に関する情報を活用して、新しい文脈への一般化を可能にし、広く利用可能なバルク分子データのみを必要とする。 大規模介入実験に対する文脈特異的摂動効果の予測を比較した広範囲なテストは、新しい文脈における正確な予測を示す。 提案手法はSOTAファンデーションモデルと競合するが、より単純なデータ、より小さなモデルサイズ、より少ない時間を必要とする。 頑健なバルク信号と効率的なアーキテクチャに着目し、プロプライエタリなハードウェアや非常に大きなモデルがなければ、摂動効果の正確な予測が可能であることを示し、医薬の因果学習アプローチを一般的に活用する方法を開拓する。

関連論文リスト

• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Contextualizing biological perturbation experiments through language [3.704686482174365]
  PerturbQAは摂動実験に対する構造化推論のベンチマークである。 我々は、摂動をモデル化するための最先端の機械学習と統計的アプローチを評価する。 本稿では,サマー(SUMMarize,retrievE, answeR),シンプルなドメインインフォームドLLMフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-02-28T18:15:31Z)
• DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
  因果推論は、医療、経済学、社会科学などの分野における重要な課題である。 本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。 我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
  論文  参考訳（メタデータ） (2024-10-13T23:17:58Z)
• 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)
• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。 因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。 我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Embracing assay heterogeneity with neural processes for markedly improved bioactivity predictions [0.276240219662896]
  リガンドの生物活性を予測することは、コンピュータ支援薬物発見において最も困難かつ最も重要な課題の1つである。 長年のデータ収集とキュレーションの努力にもかかわらず、生物活性データは希少で不均一である。 異種アッセイ間の情報シナジーを利用した階層型メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T16:26:58Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)

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。