論文の概要: What Makes a Representation Good for Single-Cell Perturbation Prediction?

• arxiv url: http://arxiv.org/abs/2605.19343v1
• Date: Tue, 19 May 2026 04:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.120129
• Title: What Makes a Representation Good for Single-Cell Perturbation Prediction?
• Title（参考訳）: 単セル摂動予測に良い表現は何か?
• Authors: Wenkang Jiang, Yuhang Liu, Yichao Cai, Erdun Gao, Jiayi Dong, Ehsan Abbasnejad, Lina Yao, Javen Qinfeng Shi,
• Abstract要約: PerturbedVAEは、この信号の不均衡を解決するために設計された一般的なフレームワークである。 摂動効果を確実に回復できる条件を特徴付ける識別可能性分析を提供する。 PerturbedVAEは、広く使われている複数の評価設定で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 37.84894703250901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell perturbation modeling is fundamental for understanding and predicting cellular responses to genetic perturbations. However, existing approaches, from causal representation learning to foundation models, often struggle with an overlooked challenge: gene expression is dominated by perturbation-invariant information, while perturbation-specific signals are intrinsically sparse. As a result, learned representations either entangle invariant and perturbation-specific information, leading to spurious and non-generalizable predictors, or suppress perturbation-specific signals altogether, rendering them ineffective for prediction. To address this, we propose PerturbedVAE, a general framework designed to resolve this signal imbalance. The framework explicitly separates perturbation-specific information from dominant invariant structure and recovers causal representations to effectively utilize such information for prediction. We further provide an identifiability analysis that characterizes the conditions under which sparse perturbation effects can be reliably recovered, thereby clarifying how the framework can be concretely specified under such conditions. Empirically, PerturbedVAE achieves state-of-the-art performance on a widely used benchmark across multiple evaluation settings, yielding significant gains on out-of-distribution combinatorial predictions and uncovering interpretable perturbation-response programs.
• Abstract（参考訳）: 単一細胞摂動モデリングは、遺伝摂動に対する細胞応答を理解し予測するための基礎となる。 しかし、因果表現学習から基礎モデルまで、既存のアプローチは、しばしば見過ごされる課題に悩まされる。 その結果、学習された表現は、絡み合う不変情報と摂動固有情報のいずれかであり、刺激的かつ一般化不可能な予測に繋がるか、摂動固有信号を完全に抑制し、予測には効果がない。 そこで我々は,この信号の不均衡を解決するための一般的なフレームワークであるPerturbedVAEを提案する。 このフレームワークは、摂動特異的情報を支配的不変構造から明確に分離し、因果表現を復元し、そのような情報を予測に効果的に活用する。 さらに、スパース摂動効果を確実に回復できる条件を特徴付ける識別可能性分析を行い、そのような条件下でどのようにフレームワークを具体的に特定できるかを明らかにする。 経験的に、PerturbedVAEは、複数の評価設定にまたがって広く使われているベンチマークで最先端のパフォーマンスを達成し、アウト・オブ・ディストリビューションの組合せ予測と解釈可能な摂動応答プログラムの発見に大きな利益をもたらす。

関連論文リスト

• Character as a Latent Variable in Large Language Models: A Mechanistic Account of Emergent Misalignment and Conditional Safety Failures [70.48661957773449]
  創発的ミスアライメント(英: Emergent Misalignment)とは、狭い範囲のデータに対する微調整された大きな言語モデルによって、広範囲に不整合な振る舞いが引き起こされる障害モードを指す。 複数のドメインやモデルファミリにまたがって、特定の文字レベルの配置を示すデータの微調整モデルは、誤操作よりもはるかに強く、転送可能な微調整を誘導する。
  論文  参考訳（メタデータ） (2026-01-30T15:28:42Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Representation Learning for Distributional Perturbation Extrapolation [14.951777123174082]
  RNAシークエンシングデータなどの低レベルの測定値に対する、目に見えない摂動の影響をモデル化する問題を考察する。 本稿では,真と予測された摂動分布の分布類似度を最大化する手法として,摂動分布オートエンコーダ(PDAE)を提案する。
  論文  参考訳（メタデータ） (2025-04-25T17:44:04Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Learning Invariant Representations under General Interventions on the Response [2.725698729450241]
  線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。 離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
  論文  参考訳（メタデータ） (2022-08-22T03:09:17Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。