論文の概要: Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference

• arxiv url: http://arxiv.org/abs/2606.00685v1
• Date: Sat, 30 May 2026 11:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.592426
• Title: Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference
• Title（参考訳）: シングルセル遺伝子制御ネットワーク推論のためのプリガイド型マルチオーミックトランス
• Abstract要約: 遺伝子制御ネットワーク(GRN)は転写因子-標的相互作用を捉え、細胞-状態制御と疾患を理解する中心となる。 EpiAwareNetは、軽量な生物学的事前情報のみを用いて、ペア化された単一セルデータからGRNを再構成する、事前誘導型マルチオミックトランスフォーマフレームワークである。
• 参考スコア（独自算出の注目度）: 27.283687143036712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gene regulatory networks (GRNs) capture transcription factor-target interactions and are central to understanding cell-state regulation and disease. Reconstructing GRNs from paired single-cell transcriptomic and chromatin accessibility data is promising but challenging: scATAC is extremely sparse, and most methods rely on fixed peak-to-gene links and weak supervision. We present EpiAwareNet, a prior-guided multi-omic Transformer framework that reconstructs GRNs from paired single-cell data using only lightweight biological priors. In Stage 1, EpiAwareNet learns joint gene-peak representations with a gene-peak cross-attention module, enabling data-driven, gene-specific aggregation of accessibility signals rather than hard-coded peak-to-gene assignments. In Stage 2, EpiAwareNet incorporates a bulk-derived GRN prior as noisy positive edges to provide weak supervision under label scarcity, refining regulatory scores while remaining robust to prior noise. In our experiments, EpiAwareNet improves GRN reconstruction over representative single- and multi-omic baselines and yields GRNs with greater biological plausibility, such as improved recovery of known regulatory interactions, suggesting that lightweight biological priors from bulk data can effectively guide single-cell GRN inference when combined with adaptive cross-modal representation learning. Code and data will be available at https://github.com/tianyang-x/EpiAwareNet_pub.
• Abstract（参考訳）: 遺伝子制御ネットワーク(GRN)は転写因子-標的相互作用を捉え、細胞-状態制御と疾患を理解する中心となる。 ペア化された単細胞転写学的およびクロマチンアクセシビリティーデータからGRNを再構成することは有望であるが、 scATAC は非常に疎外であり、ほとんどの手法は固定されたピーク対ジェネリックリンクと弱い監督に依存している。 EpiAwareNetは、軽量な生物学的事前情報のみを用いて、ペア化された単一セルデータからGRNを再構成する、事前誘導型マルチオミックトランスフォーマフレームワークである。 ステージ1では、EpiAwareNetは、遺伝子ピークのクロスアテンションモジュールと共同で遺伝子ピーク表現を学習し、ハードコードされたピークから遺伝子への割り当てではなく、アクセシビリティ信号の、データ駆動の遺伝子特異的アグリゲーションを可能にする。 ステージ2では、EpiAwareNetは、バルク由来のGRNをノイズの多い正のエッジとして組み込んで、ラベルの不足下での監督の弱さを提供し、前のノイズに頑健なまま規制スコアを精査する。 実験により,EpiAwareNetは,一様および多様基線上でのGRN再構成を改善し,既知の規制相互作用の回復などの生物的妥当性の向上を図り,適応的クロスモーダル表現学習と組み合わせることで,バルクデータからの軽量な生物学的先行性が単一セルGRN推論を効果的に導くことを示唆した。 コードとデータはhttps://github.com/tianyang-x/EpiAwareNet_pub.comで入手できる。

関連論文リスト

• BRIDGE: Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks [25.29216866424431]
  遺伝子制御ネットワーク(BRIDGE)のためのバイオエビデンス・リファインメントと異種動的ゲーティングという革新的なフレームワークを提案する。 BRIDGEは、発現マトリックスとそのマトリックス双対から遺伝子および細胞表現を抽出し、自己と隣人の間の遺伝子空間と細胞空間においてコントラスト学習を行う。 その後、遺伝子と細胞間の情報伝達を適応的に制御するために異種ゲートエンコーディングを適用し、堅牢な転写因子からターゲットへの遺伝子予測を可能にする。
  論文  参考訳（メタデータ） (2026-06-02T11:54:36Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models [20.71882970022078]
  単一細胞ファンデーションモデル(scFM)は遺伝子制御ネットワーク(GRN)の推論に革命をもたらすことが広く期待されている。 我々は、未知の遺伝子やデータセットの規制予測を評価するために設計されたGRN一般化ベンチマークを導入する。 我々は、暗黙の制御情報をSCFMから高一般化可能な遺伝子間特徴に再現する2つの新しい手法、Virtual Value PerturbationとGradient Trajectoryを提案する。
  論文  参考訳（メタデータ） (2026-05-01T01:45:24Z)
• 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)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• A Novel Graph Transformer Framework for Gene Regulatory Network Inference [0.27624021966289597]
  遺伝子制御ネットワーク(GRN)の推測は、必ずしも真の生物学的相互作用を反映するとは限らない。 ほとんどのGRN推論手法は、ネットワーク再構築フェーズにおいていくつかの課題に直面している。 生データから直接遺伝子発現パターンをキャプチャするために,オートエンコーダの埋め込みを用いる。 GRN構造からの事前の知識を埋め込み、それらをテキストのような表現に変換する。
  論文  参考訳（メタデータ） (2025-04-23T06:24:26Z)
• GRNFormer: A Biologically-Guided Framework for Integrating Gene Regulatory Networks into RNA Foundation Models [39.58414436685698]
  マルチオミクスデータから推定されるマルチスケール遺伝子制御ネットワーク(GRN)をRNA基盤モデルトレーニングに統合する新しいフレームワークを提案する。 GRNFormerは、最先端(SoTA)ベースラインに対して一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-03-03T15:56:39Z)
• Gene Regulatory Network Inference in the Presence of Selection Bias and Latent Confounders [16.010515254476626]
  選択はユビキタスであり、無視されたり、真の規則と混同されたりすると、因果解釈の欠陥や誤った介入勧告につながる可能性があることを示す。 本稿では、摂動データを利用して、真の遺伝子制御関係と、同値クラスへの選択と共役の非調節機構を明らかにするアルゴリズムであるGISLを提案する。
  論文  参考訳（メタデータ） (2025-01-17T11:27:58Z)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• Causal Inference in Gene Regulatory Networks with GFlowNet: Towards Scalability in Large Systems [87.45270862120866]
  我々は、GRNにおける因果構造学習を強化する新しいフレームワークとしてSwift-DynGFNを紹介した。 具体的には、Swift-DynGFNは、並列化を高め、計算コストを下げるために、遺伝子的に独立性を利用する。
  論文  参考訳（メタデータ） (2023-10-05T14:59:19Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• 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。