論文の概要: CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

• arxiv url: http://arxiv.org/abs/2605.30635v1
• Date: Thu, 28 May 2026 22:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.273866
• Title: CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment
• Title（参考訳）: CellBRIDGE: 相互作用を考慮したアライメントによる細胞軌道の学習
• Authors: Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar,
• Abstract要約: 人口スナップショットからダイナミクスを推論することは、機械学習と生物学における根本的な課題である。 我々はCellBRIDGEを導入し、リガンド受容体活性から誘導される有向型相互作用コストで機能ベースのOTを増強する。 細胞間通信を明示的にモデル化することにより、CellBRIDGEはクロススナップショット結合と下流軌道推定を改善する。
• 参考スコア（独自算出の注目度）: 46.660621971318996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring dynamics from population snapshots is a fundamental challenge in machine learning and biology. In scRNA-sequencing (scRNA-seq), destructive measurements preclude direct tracking of individual cells across time, making trajectory inference underdetermined. Optimal Transport (OT) provides a principled framework for snapshot alignment, but a long-standing modeling question is which cost functions yield biologically meaningful couplings. Standard OT approaches rely on gene-expression distances, implicitly treating cells as independent points and neglecting structured cell-cell communication mediated by ligand-receptor signaling. We introduce CellBRIDGE (Cell-Based Regularized Interaction-Driven Gene Expression), which augments feature-based OT with a directed, typed interaction cost derived from ligand-receptor activity. By explicitly modeling cell-cell communication, CellBRIDGE improves cross-snapshot couplings and downstream trajectory estimates across synthetic and real scRNA-seq datasets relative to feature-only baselines. Notably, CellBRIDGE enables mechanistically interpretable in silico perturbations: on lung cancer data, silencing specific ligand-receptor pairs induces trajectory shifts that recapitulate expected effects of targeted pathway inhibition.
• Abstract（参考訳）: 人口スナップショットからダイナミクスを推論することは、機械学習と生物学における根本的な課題である。 scRNAシークエンシング(scRNA-seq)では、破壊的な測定により、時間にわたって個々の細胞の直接追跡が妨げられ、軌道推定が過小評価される。 最適な輸送(OT)は、スナップショットアライメントのための原則化されたフレームワークを提供するが、長期にわたるモデリング問題は、どのコスト関数が生物学的に有意義な結合をもたらすかである。 標準OTアプローチは遺伝子発現距離に依存し、細胞を独立点として暗黙的に処理し、リガンド-受容体シグナルを介する構造細胞間通信を無視している。 我々はCellBRIDGE(Cell-based Regularized Interaction-Driven Gene Expression)を導入し、リガンド-受容体活性から誘導される有向型相互作用コストで機能ベースのOTを増強する。 細胞間通信を明示的にモデル化することにより、CellBRIDGEは、機能のみのベースラインに対する合成および実際のscRNA-seqデータセット間のクロスショット結合と下流軌道推定を改善する。 特に、CellBRIDGEは、肺がんデータに基づいて、特定のリガンド-受容体ペアをサイレンシングすることで、標的経路阻害の期待された効果を再カプセル化する軌道シフトを誘導する、シリコ摂動の機械的解釈を可能にする。

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)
• 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)
• Learning Explicit Single-Cell Dynamics Using ODE Representations [33.16920280365721]
  Cell-Mechanistic Neural Networks (Cell-MNN) はエンコーダ・デコーダアーキテクチャであり、その潜在表現は、幹細胞から組織細胞への細胞進化のダイナミクスを管理する局所線形化ODEである。 我々は,Cell-MNNが単一セルベンチマーク上での競合性能,大規模データセットへのスケーリングにおける最先端のベースライン,複数データセット間の共同トレーニング,さらにはTRRUSTデータベースに対して検証した解釈可能な遺伝子相互作用の学習などを実現していることを示す。
  論文  参考訳（メタデータ） (2025-10-03T11:15:16Z)
• STAGED: A Multi-Agent Neural Network for Learning Cellular Interaction Dynamics [8.659754814655303]
  単一細胞技術は、正常および疾患の条件下での様々な組織における細胞状態とサブポピュレーションの理解を改善した。 空間転写学では、細胞状態の変化につながる動的細胞-細胞相互作用とともに、細胞組織を表現することができる。 細胞間通信をモデル化するための時空間エージェントベースグラフ進化ダイナミクス(STAGED)とその細胞内遺伝子制御ネットワークへの影響について紹介する。
  論文  参考訳（メタデータ） (2025-07-15T18:46:07Z)
• Clustering with Communication: A Variational Framework for Single Cell Representation Learning [2.275097126764287]
  CCC信号を単一セル表現学習に組み込んだ変分自動符号化フレームワークCCCVAEを提案する。 CCCVAEはクラスタリング性能を向上し,標準的なVAEベースラインよりも高い評価スコアが得られることを示す。
  論文  参考訳（メタデータ） (2025-05-08T01:53:36Z)
• 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)
• Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。 Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• DynaCLR: Contrastive Learning of Cellular Dynamics with Temporal Regularization [0.5385157903509136]
  DynaCLRは、時間経過画像の表現のコントラスト学習を通じて、細胞とオルガネラのダイナミクスを埋め込む自己教師型の方法である。 我々は単細胞追跡と時間認識のコントラストサンプリングを統合して、セルダイナミクスの頑健で時間的に正規化された表現を学習する。
  論文  参考訳（メタデータ） (2024-10-15T05:01:25Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)

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。