論文の概要: Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models

• arxiv url: http://arxiv.org/abs/2605.08128v1
• Date: Fri, 01 May 2026 01:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.724037
• Title: Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models
• Title（参考訳）: 普遍的遺伝子制御ネットワーク推論に向けて:単一細胞基盤モデルにおける一般化可能な制御知識の解き放つ
• Authors: Jiaxin Qi, Hang Li, Yan Cui, Yuhua Zheng, Jianqiang Huang,
• Abstract要約: 単一細胞ファンデーションモデル(scFM)は遺伝子制御ネットワーク(GRN)の推論に革命をもたらすことが広く期待されている。 我々は、未知の遺伝子やデータセットの規制予測を評価するために設計されたGRN一般化ベンチマークを導入する。 我々は、暗黙の制御情報をSCFMから高一般化可能な遺伝子間特徴に再現する2つの新しい手法、Virtual Value PerturbationとGradient Trajectoryを提案する。
• 参考スコア（独自算出の注目度）: 20.71882970022078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gene Regulatory Network (GRN) inference is essential for understanding complex cellular mechanisms, rendered tractable through single-cell transcriptomic data. With the emergence of single-cell Foundation Models (scFMs), enhanced transcriptomic encoding is widely expected to revolutionize GRN inference. However, we observe that their performance remains far from satisfactory. The primary reason is that the standard reconstruction-based pre-training objectives often fail to explicitly capture latent regulatory signals. To bridge this gap, we first introduce a GRN generalization benchmark designed to evaluate regulatory predictions on unseen genes and datasets, which relies on the zero-shot capabilities of scFMs and is inherently challenging for traditional methods. Furthermore, to unlock the regulatory knowledge within the foundation models, we propose two novel methods, Virtual Value Perturbation and Gradient Trajectory, to distill implicit regulatory information from scFMs into highly generalizable inter-gene features. Extensive experiments demonstrate that our approach significantly outperforms existing methods, establishing a new paradigm for leveraging the potential of scFMs in universal GRN inference.
• Abstract（参考訳）: Gene Regulatory Network (GRN) 推論は複雑な細胞機構を理解するのに必須であり、単細胞転写データによって抽出可能である。 単細胞ファンデーションモデル(scFMs)の出現に伴い、拡張転写符号はGRN推論に革命をもたらすことが広く期待されている。 しかし、彼らの業績は相変わらず満足できないままである。 主な理由は、標準的な再構成に基づく事前訓練の目的が、遅延した規制信号の明示的に捕捉に失敗することが多いためである。 このギャップを埋めるために、私たちはまず、見えない遺伝子やデータセットの規制予測を評価するために設計されたGRN一般化ベンチマークを導入しました。 さらに,基礎モデル内での規制知識を解き放つために,暗黙的な規制情報をSCFMから高一般化可能な遺伝子間特徴に再現する,仮想値摂動とグラディエント軌道という2つの新しい手法を提案する。 広汎な実験により,本手法は既存の手法よりも大幅に優れており,普遍的GRN推論におけるSCFMの可能性を活用するための新たなパラダイムが確立されている。

関連論文リスト

• Why Self-Supervised Encoders Want to Be Normal [0.0]
  自己教師型エンコーダにおける正規分布の優先性は,インフォメーション・ボトルネック(IB)の原理の直接的な帰結であることを示す。 この枠組みでは、潜在表現は、類似の予測分布を共有する入力のソフトクラスタリングに対応することを示す。 この観点は、広く使われている正規化スキームに対する原則的な説明として、教師付きおよび教師なしの目的を広範囲に統一する。
  論文  参考訳（メタデータ） (2026-04-30T11:33:05Z)
• QuantumQA: Enhancing Scientific Reasoning via Physics-Consistent Dataset and Verification-Aware Reinforcement Learning [19.224968023943052]
  本稿では,タスク適応戦略によって構築された大規模データセットQuantumQAを紹介する。 RLVR(Reinforcement Learning with Verifiable Rewards)に適したVRM(Verified-Aware reward model)を提案する。
  論文  参考訳（メタデータ） (2026-04-20T12:33:50Z)
• Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
  本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。 JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2026-01-19T08:12:47Z)
• Does Generative Retrieval Overcome the Limitations of Dense Retrieval? [117.49076770892583]
  生成的検索(GR)はニューラル情報検索の新しいパラダイムとして登場した。 本研究では,GRが高密度検索(DR)から学習目的と表現能力の両方において根本的に分岐するかを検討する。
  論文  参考訳（メタデータ） (2025-09-26T09:38:01Z)
• Beyond Low-rankness: Guaranteed Matrix Recovery via Modified Nuclear Norm [52.00038315973684]
  核ノルム(NN)は、ロバストPCAや行列補完といった行列回復問題において広く研究されている。 我々は、MNNファミリーノルムを適切な変換を適用し、変換行列上でNNを実行することで定義する、新しい修正核ノルム(MNN)フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-07-24T11:53:55Z)
• When Invariant Representation Learning Meets Label Shift: Insufficiency and Theoretical Insights [16.72787996847537]
  一般化ラベルシフト(GLS)は、シフト内の複雑な要因に対処する大きな可能性を示す最新の開発である。 主な結果は、不変表現学習が不十分であることを示し、一般化のためのGLS補正が不十分であること、および必要であることを証明した。 本稿では,カーネル埋め込みに基づく補正アルゴリズム(KECA)を提案する。
  論文  参考訳（メタデータ） (2024-06-24T12:47:21Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。