論文の概要: Applications of temporal graph learning for predicting the dynamics of biological systems

• arxiv url: http://arxiv.org/abs/2605.28659v1
• Date: Wed, 27 May 2026 15:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.194433
• Title: Applications of temporal graph learning for predicting the dynamics of biological systems
• Title（参考訳）: 時間グラフ学習の生物学的システムのダイナミクス予測への応用
• Authors: Manuel Dileo, Andrea Sottoriva,
• Abstract要約: 本研究では、細胞状態が擬似時間分解遺伝子制御ネットワークを介して表現される時間グラフに基づく別の視点について検討する。 リンク予測と中心性予測では、時間グラフ学習は非自明な制御ダイナミクスを捉え、時間的に重要な遺伝子ハブの同定を可能にする。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological foundation models have shown strong performance in single-cell representation learning by applying transformer architectures directly to gene-expression matrices. However, these approaches predominantly operate in static settings and do not explicitly model the temporal evolution of developmental programs in the cell. Modeling such dynamics is important for understanding how cellular states progressively emerge, differentiate, and reorganize during development or disease progression. In this work-in-progress paper, we investigate an alternative temporal graph-based perspective in which cellular states are represented through pseudotime-resolved gene regulatory networks and modeled as evolving graph structures over persistent gene identities. Starting from single-cell transcriptomic data, we infer pseudotime trajectories, discretize cells into developmental snapshots, reconstruct one gene regulatory network per snapshot, and apply temporal graph neural networks to forecast biological states. We evaluate this framework on two publicly available mouse developmental datasets, erythroid gastrulation and pancreatic endocrinogenesis, considering three complementary tasks: gene-expression forecasting, link prediction, and out-degree centrality prediction. Our results show that graph-based models outperform well-known foundation-model such as scGPT and scFoundation, suggesting that explicitly modeling evolving regulatory structure provides useful information beyond static pretrained representations. For link prediction and centrality forecasting, temporal graph learning captures non-trivial regulatory dynamics and enables the identification of temporally important gene hubs. Overall, our findings support temporal graph learning as a promising direction for modeling dynamic biological systems and as a complementary paradigm to current foundation model approaches in single-cell biology.
• Abstract（参考訳）: 生物基盤モデルでは、トランスフォーマーアーキテクチャを遺伝子発現行列に直接適用することにより、単一セル表現学習において強い性能を示している。 しかしながら、これらのアプローチは主に静的な環境で動作し、細胞内の発達プログラムの時間的進化を明示的にモデル化するものではない。 このような力学をモデル化することは、細胞状態がどのように発達、分化、再編成されるかを理解するのに重要である。 本稿では, 細胞状態が擬似時間分解型遺伝子制御ネットワークを介して表現され, 永続的遺伝子アイデンティティよりも進化的なグラフ構造としてモデル化される, 時間的グラフに基づく別の視点について検討する。 単細胞転写データから、擬似時間軌道を推定し、細胞を発達スナップショットに分解し、スナップショット毎に1つの遺伝子制御ネットワークを再構築し、時間グラフニューラルネットワークを用いて生物学的状態を予測する。 本枠組みは, 遺伝子発現予測, リンク予測, 中心性予測の3つの相補的タスクを考慮し, 赤血球ガストレーションと膵内分泌産生の2つの一般公開されたマウスの発達データセットを用いて評価した。 以上の結果から,ScGPT や scFoundation などのグラフベースモデルでは,制御構造を明示的にモデル化することで,静的な事前学習表現を超越した有用な情報が得られることが示唆された。 リンク予測と中心性予測では、時間グラフ学習は非自明な制御ダイナミクスを捉え、時間的に重要な遺伝子ハブの同定を可能にする。 本研究は, 時間グラフ学習を, 動的生体系をモデル化するための有望な方向として, および, 単一細胞生物学における基礎モデルアプローチの補完的パラダイムとして支援するものである。

関連論文リスト

• Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction [40.68914450179759]
  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。
  論文  参考訳（メタデータ） (2026-05-25T08:32:23Z)
• Learning noisy tissue dynamics across time scales [0.0]
  本稿では,実験映画から直接ノイズの多いマルチセルダイナミックスを推定できるバイオミメティック機械学習フレームワークを提案する。 この生成モデルは、グラフニューラルネットワークとフローの正規化とWaveNetアルゴリズムを組み合わせて、組織を神経微分方程式として表現する。 我々のモデルは細胞の動きを捉えるだけでなく、分裂サイクルにおける細胞状態の進化を予測することも示している。
  論文  参考訳（メタデータ） (2025-10-21T21:33:54Z)
• Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting [4.791960848500047]
  本稿では,感染症の時間動態をモデル化する新しいCSTG(Causpatioal Neural Graph Network)フレームワークを提案する。 適応的な静的接続グラフを用いて、人間の移動性の安定な成分を表現し、これらのパターンの中で時間的ダイナミクスモデルゆらぎを利用する。 我々は,中国の地方レベルとドイツの州レベルで実世界のデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2025-04-07T14:46:11Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
  本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。 提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。 我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
  論文  参考訳（メタデータ） (2021-09-26T07:19:47Z)

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。