論文の概要: Chreode: A Cell World Model for One-Step Temporal Dynamics and Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2605.28111v1
• Date: Wed, 27 May 2026 08:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.868294
• Title: Chreode: A Cell World Model for One-Step Temporal Dynamics and Perturbation Prediction
• Title（参考訳）: Chreode: ワンステップ時間ダイナミクスと摂動予測のためのセルワールドモデル
• Authors: Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen,
• Abstract要約: Chreodeは、動作条件のセル状態遷移を予測するワンステップのセルワールドモデルである。 このモデルは、2.4M細胞マウス胚性アトラス上で共有の scVI と DiT ベースの動的バックボーンで事前訓練される。 GEARSの転写可能な遺伝子状態埋め込みとして、事前訓練された動的表現は共有語彙DE20平均二乗誤差を減少させる。
• 参考スコア（独自算出の注目度）: 35.689906216277606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting how a cell will change its transcriptional state under a developmental signal or a genetic perturbation is the computational core of in-silico biology and the AI Virtual Cell program. Existing approaches either fit static control-to-treated maps that discard time, or solve multi-step ODE / Schrödinger-bridge problems on each dataset independently. We introduce Chreode, a one-step cell world model that predicts action-conditioned cell-state transitions through a structured residual transition operator. It shifts distributional evolution from inference time to training time, enabling single-pass generation while preserving a Waddington-inspired decomposition into downhill landscape flow, rotational in-tangent dynamics, and stochastic spread. The model is pretrained with a shared scVI encoder and a DiT-based dynamics backbone on a 2.4M-cell mouse embryonic atlas spanning 7 datasets. As a fine-tuning initialization, Chreode improves per-target Sinkhorn distance on Weinreb hematopoiesis and Veres islet differentiation over matched scratch models, PI-SDE, and PRESCIENT. As a transferable gene-state embedding for GEARS, the pretrained dynamics representation reduces shared-vocabulary DE20 mean squared error on Norman Perturb-seq from 0.2121 to 0.1858, a 12.4% relative improvement, without changing the GEARS training procedure. We interpret this transfer to perturbation prediction as evidence that pretrained developmental-trajectory dynamics encode differentiation primitives transferable to CRISPR-induced state shifts, since both involve cell-state transitions in a shared latent geometry. The pretrained backbone additionally produces zero-shot clonal fate scores on Weinreb that are competitive with strong dynamic-OT baselines.
• Abstract（参考訳）: 発生シグナルや遺伝的摂動の下で細胞がどのように転写状態を変えるかを予測することは、シリコン内生物学とAI仮想細胞プログラムの計算コアである。 既存のアプローチは、時間を捨てる静的な制御から処理されたマップに適合するか、あるいは各データセット上の多段階ODE/Schrödinger-bridge問題を独立して解決する。 構造的残差遷移演算子を介して動作条件付きセル状態遷移を予測する一段階セル世界モデルであるChreodeを紹介する。 分布の進化を推論時間からトレーニング時間にシフトさせ、ワディントンにインスパイアされた分解を下り坂の景観の流れ、回転内動学、確率的拡散に保存しながらシングルパス生成を可能にする。 このモデルは、7つのデータセットにまたがる2.4M細胞マウス胚性アトラス上で共有の scVI エンコーダと DiT ベースの動的バックボーンで事前訓練される。 微調整初期化として、ChreodeはWeinreb hematopoiesisのターゲットごとのシンクホーン距離を改善し、一致したスクラッチモデル、PI-SDE、PreSCIENT上でのヴェレス島分化を誘導する。 GEARSの転写可能な遺伝子状態の埋め込みとして、事前訓練された動的表現は、GEARSのトレーニング手順を変更することなく、ノーマン・パーターブ・セクにおける共有語彙DE20の平均2乗誤差を0.2121から0.1858に減少させる。 我々は、この摂動予測への変換を、事前学習された発達軌道力学がCRISPR誘起状態シフトに伝達可能な分化プリミティブをコードする証拠として解釈する。 事前訓練されたバックボーンは、強い動的OTベースラインと競合するワインレブのゼロショットクローン運命スコアも生成する。

関連論文リスト

• MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
  We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。 この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。 合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
  論文  参考訳（メタデータ） (2026-03-23T20:49:45Z)
• scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction [12.48933770510505]
  条件付きフローマッチングに基づく生成フレームワークである scDFM を提案する。 scDFMは、細胞レベルでの通信以上の個体群を混乱させ、制御する。
  論文  参考訳（メタデータ） (2026-02-06T17:00:21Z)
• 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)
• 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)
• Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schrödinger Bridge [18.459855419368726]
  我々はスナップショットデータから不均衡な相互作用のダイナミクスをモデル化するフレームワークを開発する。 次に,UMFSB問題を近似したディープラーニングアルゴリズムCytoBridgeを提案する。 本手法の有効性は、合成遺伝子制御データと実際のcRNA-seqデータセットの両方を用いて広く検証されている。
  論文  参考訳（メタデータ） (2025-05-16T12:55:13Z)
• Growing Isotropic Neural Cellular Automata [63.91346650159648]
  我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。 細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
  論文  参考訳（メタデータ） (2022-05-03T11:34:22Z)

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。