論文の概要: CellFluxRL: Biologically-Constrained Virtual Cell Modeling via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2603.21743v2
- Date: Tue, 24 Mar 2026 08:41:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 12:42:17.608768
- Title: CellFluxRL: Biologically-Constrained Virtual Cell Modeling via Reinforcement Learning
- Title（参考訳）: CellFluxRL:強化学習による生体拘束型仮想細胞モデリング
- Authors: Dongxia Wu, Shiye Su, Yuhui Zhang, Elaine Sui, Emma Lundberg, Emily B. Fox, Serena Yeung-Levy,
- Abstract要約: 強化学習(RL)を用いたポストトレイン仮想セルモデルを提案する。
生体機能, 構造, 妥当性, 形態的正しさの3つのカテゴリにまたがる7つの報酬を設計し, 最新のCellFluxモデルを最適化してCellFluxRLを得る。
- 参考スコア（独自算出の注目度）: 25.841056475696522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building virtual cells with generative models to simulate cellular behavior in silico is emerging as a promising paradigm for accelerating drug discovery. However, prior image-based generative approaches can produce implausible cell images that violate basic physical and biological constraints. To address this, we propose to post-train virtual cell models with reinforcement learning (RL), leveraging biologically meaningful evaluators as reward functions. We design seven rewards spanning three categories-biological function, structural validity, and morphological correctness-and optimize the state-of-the-art CellFlux model to yield CellFluxRL. CellFluxRL consistently improves over CellFlux across all rewards, with further performance boosts from test-time scaling. Overall, our results present a virtual cell modeling framework that enforces physically-based constraints through RL, advancing beyond "visually realistic" generations towards "biologically meaningful" ones.
- Abstract（参考訳）: サイリコの細胞挙動をシミュレートする生成モデルを用いた仮想細胞の構築は、薬物発見を加速するための有望なパラダイムとして現れつつある。
しかし、以前の画像に基づく生成アプローチは、基本的な物理的および生物学的制約に反する不確定な細胞画像を生成することができる。
そこで本研究では,生物学的に有意な評価を報酬関数として活用する強化学習(RL)による仮想細胞モデルのポストトレーニングを提案する。
生物機能, 構造的妥当性, 形態的正しさの3つのカテゴリにまたがる7つの報酬を設計し, 最新のCellFluxモデルを最適化してCellFluxRLを得る。
CellFluxRLはすべての報酬に対して,CellFluxよりも一貫して改善されている。
概して,RLによる物理的制約を強制する仮想セルモデリングフレームワークが提案され,視覚的に現実的な世代から生物学的に意味のある世代へと進化する。
関連論文リスト
- VCWorld: A Biological World Model for Virtual Cell Simulation [17.544411742899523]
本稿では、構造化された生物学的知識と大規模言語モデルの反復的推論能力を統合する、セルレベルのホワイトボックスシミュレータであるVCWorldを紹介する。
VCWorldは、摂動誘起シグナリングカスケードを再現し、解釈可能なステップワイズ予測を生成するために、データ効率のよい方法で運用されている。
論文 参考訳（メタデータ） (2025-11-29T04:02:24Z) - MorphGen: Controllable and Morphologically Plausible Generative Cell-Imaging [31.990445585569688]
MorphGenは、蛍光顕微鏡のための最先端拡散ベースの生成モデルである。
蛍光チャネルの完全なセットを共同で生成し、構造体ごとに保存する。
MorphGenは、以前の最先端のMorphoDiffよりも35%低いFIDスコアを獲得している。
論文 参考訳（メタデータ） (2025-10-01T13:34:29Z) - 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) - CellFlux: Simulating Cellular Morphology Changes via Flow Matching [44.8979602893102]
本稿では,化学および遺伝的摂動による細胞形態変化をシミュレートする画像生成モデルであるCellFluxを紹介する。
CellFluxは生物学的に意味のある細胞画像を生成し、摂動特異的な形態変化を忠実に捉える。
これらの能力は、生体医学研究のための仮想細胞モデリングの実現に向けた重要な一歩である。
論文 参考訳（メタデータ） (2025-02-13T21:10:00Z) - Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。
CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。
実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文 参考訳（メタデータ） (2023-11-04T16:42:42Z)
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。