論文の概要: SAVE: A Generalizable Framework for Multi-Condition Single-Cell Generation with Gene Block Attention

• arxiv url: http://arxiv.org/abs/2604.16776v1
• Date: Sat, 18 Apr 2026 01:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 14:04:47.896966
• Title: SAVE: A Generalizable Framework for Multi-Condition Single-Cell Generation with Gene Block Attention
• Title（参考訳）: SAVE:遺伝子ブロックを考慮したマルチコンディション単一セル生成のための一般化可能なフレームワーク
• Authors: Jiahao Li, Jiayi Dong, Peng Ye, Xiaochi Zhou, Haohai Lu, Fei Wang,
• Abstract要約: SAVEは単一セルモデリングのための条件変換器に基づく統一的な生成フレームワークである。 条件生成,バッチ効果補正,摂動予測など,様々なベンチマークでSAVEを評価した。 Saveは、複雑なシングルセルデータをモデリングするためのスケーラブルで汎用的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 10.404186274295222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling single-cell gene expression across diverse biological and technical conditions is crucial for characterizing cellular states and simulating unseen scenarios. Existing methods often treat genes as independent tokens, overlooking their high-level biological relationships and leading to poor performance. We introduce SAVE, a unified generative framework based on conditional Transformers for multi-condition single-cell modeling. SAVE leverages a coarse-grained representation by grouping semantically related genes into blocks, capturing higher-order dependencies among gene modules. A Flow Matching mechanism and condition-masking strategy further enhance flexible simulation and enable generalization to unseen condition combinations. We evaluate SAVE on a range of benchmarks, including conditional generation, batch effect correction, and perturbation prediction. SAVE consistently outperforms state-of-the-art methods in generation fidelity and extrapolative generalization, especially in low-resource or combinatorially held-out settings. Overall, SAVE offers a scalable and generalizable solution for modeling complex single-cell data, with broad utility in virtual cell synthesis and biological interpretation. Our code is publicly available at https://github.com/fdu-wangfeilab/sc-save
• Abstract（参考訳）: 多様な生物学的および技術的条件における単一細胞遺伝子発現のモデル化は、細胞状態のキャラクタリゼーションと、目に見えないシナリオのシミュレートに不可欠である。 既存の方法は、しばしば遺伝子を独立したトークンとして扱い、それらの高いレベルの生物学的関係を見下ろし、パフォーマンスを低下させる。 マルチ条件単一セルモデリングのための条件変換器をベースとした統合生成フレームワークSAVEを紹介する。 SAVEは、意味的に関連する遺伝子をブロックにグループ化することで、粗い粒度の表現を活用し、遺伝子モジュール間の高次依存関係をキャプチャする。 フローマッチング機構と条件マスキング戦略により、フレキシブルなシミュレーションがさらに強化され、目に見えない条件の組み合わせが一般化される。 我々は,条件生成,バッチ効果補正,摂動予測など,様々なベンチマークでSAVEを評価する。 SAVEは、特に低リソースまたは組合せ的に保持された設定において、生成忠実度と外挿一般化における最先端の手法を一貫して上回っている。 全体として、SAVEは、複雑な単一セルデータをモデル化するためのスケーラブルで一般化可能なソリューションを提供し、仮想セル合成と生物学的解釈に幅広い有用性がある。 私たちのコードはhttps://github.com/fdu-wangfeilab/sc-saveで公開されています。

関連論文リスト

• PRiMeFlow: Capturing Complex Expression Heterogeneity in Perturbation Response Modelling [2.0981373472250033]
  PRiMeFlowは、遺伝子発現空間における遺伝的および小分子摂動の影響を直接モデル化するための、エンドツーエンドのフローマッチングに基づくアプローチである。 PRiMeFlowによる分布適合性アプローチにより、単細胞遺伝子発現の実験的分布を正確に近似することができる。
  論文  参考訳（メタデータ） (2026-04-15T15:33:07Z)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• 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)
• Scalable Single-Cell Gene Expression Generation with Latent Diffusion Models [11.343106383645441]
  単一細胞遺伝子発現データに対してスケーラブルな潜伏拡散モデルを導入し、これを scLDM と呼ぶ。 観測および摂動単細胞データおよびセルレベルの分類などの下流タスクにおいて,様々な実験において,その優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-04T20:44:12Z)
• 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)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T03:52:55Z)

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。