論文の概要: Intervention-Aware Multiscale Representation Learning from Imaging Phenomics and Perturbation Transcriptomics

• arxiv url: http://arxiv.org/abs/2604.22832v1
• Date: Sun, 19 Apr 2026 19:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.970221
• Title: Intervention-Aware Multiscale Representation Learning from Imaging Phenomics and Perturbation Transcriptomics
• Title（参考訳）: 干渉認識型マルチスケール表現学習 : 画像ゲノム学と摂動トランスクリプトークス
• Authors: Jiayuan Chen, Ruoqi Liu, Zishan Gu, Ping Zhang,
• Abstract要約: 本稿では,摂動転写学を利用して画像表現学習を指導する介入型蒸留フレームワークを提案する。 トランスクリプトーム条件の教師は、遺伝子発現と介入メタデータを統合し、化学対応のコードブック上でソフトな分布を生成する。 画像のみの学生は、顕微鏡だけでこれらの分布を予測し、テスト時に独立して動作しながら機械的な知識を蒸留する。
• 参考スコア（独自算出の注目度）: 8.652528896724666
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Microscopy-based phenotypic profiling is scalable for drug discovery but lacks the mechanistic depth of transcriptomics, which remains costly and scarce. Existing multimodal approaches either use images to support other modalities or naively align representations by sample identity, ignoring cell-type and dose variations in weakly paired data-limiting generalization to unseen interventions. In this paper, we introduce an intervention-aware distillation framework that leverages perturbational transcriptomics to guide image representation learning. A transcriptome-conditioned teacher integrates gene expression and intervention metadata to produce soft distributions over a chemistry-aware codebook organized by drug similarity. The teacher employs a fine-tuned single-cell foundation model to encode cell-type context and disentangle dose effects. An image-only student learns to predict these distributions from microscopy alone, distilling mechanistic knowledge while operating independently at test time. This design emphasizes intervention semantics rather than identity alignment and explicitly handles dose and cell-type mismatches. We provide theoretical guarantees showing that transcriptomic guidance tightens the risk bound for image-based prediction. On Cell Painting and RxRx datasets paired with L1000, our method significantly improves one-shot transfer to unseen interventions and drug-target gene discovery compared to self-supervised and alignment baselines.
• Abstract（参考訳）: 顕微鏡に基づく表現型プロファイリングは、薬物発見には拡張性があるが、コストと不足が残る転写学の機械的な深さに欠ける。 既存のマルチモーダルアプローチでは、イメージを使用して他のモダリティをサポートするか、サンプルアイデンティティによる表現をナビゲートし、弱いペアのデータ制限の一般化において細胞型や線量の変化を無視して、目に見えない介入を行う。 本稿では,摂動転写学を利用して画像表現学習を指導する介入型蒸留フレームワークを提案する。 トランスクリプトーム条件の教師は、遺伝子発現と介入メタデータを統合し、薬物類似性によって組織された化学対応のコードブック上でソフトな分布を生成する。 教師は、微調整された単一細胞基盤モデルを用いて、細胞型コンテキストと非絡み合い線量効果を符号化する。 画像のみの学生は、顕微鏡だけでこれらの分布を予測し、テスト時に独立して動作しながら機械的な知識を蒸留する。 この設計は、アイデンティティアライメントよりも介入セマンティクスを強調し、線量や細胞型ミスマッチを明示的に扱う。 我々は, 画像に基づく予測において, 転写的ガイダンスがリスクを厳しくすることを示す理論的保証を提供する。 L1000と組み合わせたセルペイントとRxRxデータセットについて,本手法は,自己監督的およびアライメント的ベースラインと比較して,目立たない介入や薬物標的遺伝子発見へのワンショット転送を大幅に改善する。

関連論文リスト

• Integrating Biological Knowledge for Robust Microscopy Image Profiling on De Novo Cell Lines [6.8917447861745735]
  本稿では、顕微鏡画像プロファイリングモデルを強化するために、外部生物学的知識を既存の事前学習戦略に統合するフレームワークを提案する。 提案手法は外的生物学的情報を用いて摂動特異的および細胞線特異的な表現を明示的に阻害する。 実験により,本手法はテクスタイドノボ細胞株の顕微鏡画像プロファイリングを向上することが示された。
  論文  参考訳（メタデータ） (2025-07-14T19:01:06Z)
• 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)
• Self-supervised Representation Learning with Local Aggregation for Image-based Profiling [84.52554180480037]
  画像に基づく細胞プロファイリングは、細胞画像の情報表現を作成することを目的としている。 非コントラスト型自己監督学習の最近の進歩は,本論文にインスピレーションを与えている。 本稿では,セル画像に適したデータ拡張と表現後処理手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T07:25:57Z)
• Meta-Entity Driven Triplet Mining for Aligning Medical Vision-Language Models [9.76070837929117]
  既存のアライメント手法は、微粒な病理属性の分離よりも病気のクラス間の分離を優先する。 本稿では,マルチモーダル三重項学習による画像テキストアライメントを向上させる新しい手法であるMedTrimを提案する。 我々の実証では,MedTrimは,最先端のアライメント手法と比較して,下流検索および分類タスクの性能を向上させることが示されている。
  論文  参考訳（メタデータ） (2025-04-22T14:17:51Z)
• Causal integration of chemical structures improves representations of microscopy images for morphological profiling [25.027684911103897]
  そこで我々は, 化学化合物を細胞表現型の非現実的変換を誘導する処理としてモデル化する表現学習フレームワークMICONを紹介する。 化学物質情報を学習プロセスに組み込むことによって,評価設定の一貫性が向上することが実証された。 本研究は, 形態素プロファイリングにおける表現学習の新たな方向を示唆し, 顕微鏡スクリーニングデータのマルチモーダルな性質を明示的に考慮すべきであることを示唆した。
  論文  参考訳（メタデータ） (2025-04-13T12:27:21Z)
• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 DiffKillRは、大規模な顕微鏡画像間でアノテーションを効率よく伝播し、広範囲な手動ラベリングの必要性を減らす。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)

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。