論文の概要: Learning biophysical models of gene regulation with probability flow matching
- arxiv url: http://arxiv.org/abs/2604.25062v1
- Date: Mon, 27 Apr 2026 23:30:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.633505
- Title: Learning biophysical models of gene regulation with probability flow matching
- Title（参考訳）: 確率フローマッチングを用いた遺伝子制御の生物物理モデル学習
- Authors: Suryanarayana Maddu, Victor Chardès, Michael J. Shelley,
- Abstract要約: 時間分解単細胞測定から生物物理学的に一貫したプロセスを直接学習するためのスケーラブルなフレームワークを提案する。
PFMを3つの造血学的データセットに適用することにより、類似の機械的精度を持つモデルが根本的に異なるダイナミクスを符号化できることを示す。
さらに, PFMは細胞増殖と死のダイナミクスの同時推定を可能にするため, 不均衡な個体群に対応することが実証された。
- 参考スコア（独自算出の注目度）: 0.6341761912669116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cellular differentiation is governed by gene regulatory networks, the high-dimensional stochastic biochemical systems that determine the transcriptional landscape and mediate cellular responses to signals and perturbations. Although single-cell RNA sequencing provides quantitative snapshots of the transcriptome, current methods for inferring gene-regulatory dynamics often lack mechanistic interpretability and fail to generalize to unseen conditions. Here we introduce Probability Flow Matching (PFM), a scalable framework for learning biophysically consistent stochastic processes directly from time-resolved single-cell measurements. Applying PFM to three hematopoiesis datasets, we show that models with similar interpolation accuracy can encode fundamentally different dynamics, with only biophysically consistent formulations accurately capturing mechanisms of lineage transitions, fate specification, and gene perturbation responses. We further demonstrate that PFM accommodates unbalanced populations, enabling simultaneous inference of cellular proliferation and death dynamics. Together, these results establish PFM as a flexible, scalable framework for integrating mechanistic modeling with single-cell omics.
- Abstract（参考訳）: 細胞分化は、転写の景観を決定し、シグナルや摂動に対する細胞応答を仲介する高次元確率的生化学システムである遺伝子制御ネットワークによって制御される。
単細胞RNAシークエンシングはトランスクリプトームの定量的なスナップショットを提供するが、遺伝子調節ダイナミクスを推定する現在の方法は機械的解釈性に欠け、目に見えない状態に一般化することができないことが多い。
本稿では,確率フローマッチング(Probability Flow Matching, PFM)について紹介する。
PFMを3つのヘマトポエシスデータセットに適用することにより、類似の補間精度を持つモデルが、系統遷移、運命仕様、遺伝子摂動応答のメカニズムを正確に把握する生物学的に一貫した定式化のみで、根本的に異なるダイナミクスを符号化できることが示される。
さらに, PFMは細胞増殖と死のダイナミクスの同時推定を可能にするため, 不均衡な個体群に対応することが実証された。
これらの結果により、PFMはシングルセルオミクスとメカニスティックモデリングを統合するためのフレキシブルでスケーラブルなフレームワークとして確立される。
関連論文リスト
- Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。
約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。
これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
論文 参考訳（メタデータ） (2026-03-26T09:46:27Z) - Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。
LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。
我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
論文 参考訳（メタデータ） (2026-01-20T16:15:38Z) - Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。
我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。
本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-17T08:27:13Z) - CFM-GP: Unified Conditional Flow Matching to Learn Gene Perturbation Across Cell Types [7.197454335008732]
細胞型非依存的遺伝子摂動予測法であるCFM-GPを提案する。
CFM-GPは、摂動遺伝子と摂動遺伝子発現の連続的、時間依存的な変換を学習する。
SARS-CoV-2感染, IFN-β刺激PBMCs, グリオ芽腫パノビノスタット, IFN-β刺激下でのループス, およびStatefate前駆者運命マッピングの5つのデータセットについて検討した。
論文 参考訳（メタデータ） (2025-08-09T00:00:17Z) - 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) - Inferring stochastic dynamics with growth from cross-sectional data [3.3748750222488657]
本稿では,成長を伴うダイナミックスとしてモデル化された生物学的プロセスの課題に対処する,新しい確率フロー推定手法を提案する。
フォッカー・プランク方程式のラグランジアン定式化を利用して, 本手法は内在雑音や成長からドリフトを正確に解離する。
論文 参考訳（メタデータ） (2025-05-19T14:51:47Z) - A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。
FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
論文 参考訳（メタデータ） (2025-03-25T19:19:21Z)
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。