論文の概要: Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2605.25581v1
• Date: Mon, 25 May 2026 08:32:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.475676
• Title: Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction
• Title（参考訳）: 単セル摂動予測のための潜在動的因果過程の学習
• Authors: Wenkang Jiang, Yuhang Liu, Erdun Gao, Ehsan Abbasnejad, Lina Yao, Javen Qinfeng Shi,
• Abstract要約: 単細胞摂動予測は、細胞が目に見えない介入にどのように反応するかを推測することを目的としている。 単一セル摂動データに対する潜在動的因果生成モデルを提案する。 適切な条件下では、潜伏因果変数は標準同値クラスまで回復可能である。
• 参考スコア（独自算出の注目度）: 40.68914450179759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell perturbation prediction aims to infer how cells respond to unseen interventions and to achieve out-of-distribution (OOD) generalization, providing a computational route to understanding how perturbations reshape cellular programs over time. Existing machine learning methods have made important progress, but typically capture only one side of the response. Latent causal approaches seek mechanisms that support generalization and interpretation, yet often treat perturbation effects as static outcomes. Temporal models describe how gene expression changes across time, but usually do not explicitly recover the latent causal generative mechanisms driving these changes. In practice, perturbation effects are both latent and dynamical: interventions act through unobserved cellular programs, whose states evolve over time and give rise to observed expression profiles. Motivated by this view, we propose a latent dynamical causal generative model for single-cell perturbation data that jointly captures latent cellular programs, perturbation-conditioned mechanisms, and temporal evolution. We further provide an identifiability analysis showing that, under suitable conditions, the latent causal variables are recoverable up to standard equivalence classes. Guided by this analysis, we develop CITE-VAE, a learning framework for recovering latent cellular programs and their perturbation-driven dynamics from single-cell sequencing data. Experiments on Causal-3DIdent validate the theoretical results and the effectiveness of the proposed method in controlled settings. Additional experiments on real-world CRISPR-based single-cell perturbation data show improved generalization to unseen perturbations compared with state-of-the-art baselines, highlighting the practical robustness of our approach.
• Abstract（参考訳）: 単細胞摂動予測は、セルが目に見えない介入にどのように反応するかを推測し、分布外一般化(OOD)を達成することを目的としており、摂動がセルプログラムを時間とともにどのように形作るかを理解するための計算経路を提供する。 既存の機械学習手法は重要な進歩を遂げているが、通常は応答の片側のみをキャプチャする。 潜在因果的アプローチは一般化と解釈を支援するメカニズムを求めるが、しばしば摂動効果を静的な結果として扱う。 時間モデルでは、遺伝子発現が時間とともにどのように変化するかを記述するが、通常、これらの変化を駆動する潜在因果生成機構を明示的に回復しない。 実際には摂動効果は遅延的かつ動的であり、介入は保存されていない細胞プログラムを通して作用し、その状態は時間とともに進化し、観察された発現プロファイルを引き起こす。 この観点から, 単一細胞摂動データに対する潜時動的因果生成モデルを提案し, 潜時セルプログラム, 摂動条件機構, 時間的進化について検討した。 さらに、適切な条件下では、潜伏因果変数が標準等価クラスまで回復可能であることを示す識別可能性分析を行う。 この分析で導かれたCITE-VAEは、単一セルシークエンシングデータから潜在セルプログラムとその摂動駆動力学を復元する学習フレームワークである。 Causal-3DIdentの実験は、制御された設定における提案手法の理論的結果と有効性を検証する。 現実のCRISPRベースの単一セル摂動データに関するさらなる実験は、最先端のベースラインと比較して、一般化を目立たない摂動に改善し、我々のアプローチの実用的堅牢性を強調している。

関連論文リスト

• 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)
• 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)
• Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors [4.882734501598445]
  既存の予測モデルは限定的、一般化可能性、解釈可能性に悩まされている。 自動エンコーダと予測器の階層化フレームワーク(LEAP)について紹介する。 LEAPは、モデリング戦略を越えて、未スクリーンのセルラインでの予測性能を一貫して改善する。
  論文  参考訳（メタデータ） (2025-02-21T18:12:36Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
  本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。 これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
  論文  参考訳（メタデータ） (2022-11-07T15:47:40Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)

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。