論文の概要: OCOO-T : A Simple and Scalable Virtual Cell Model for Transcriptional Perturbation Response Prediction

• arxiv url: http://arxiv.org/abs/2606.12838v1
• Date: Thu, 11 Jun 2026 03:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.55511
• Title: OCOO-T : A Simple and Scalable Virtual Cell Model for Transcriptional Perturbation Response Prediction
• Title（参考訳）: OCOO-T : 転写摂動応答予測のためのシンプルでスケーラブルな仮想セルモデル
• Authors: Danning Jiang, Zheming An, Yalong Zhao, Lipeng Lai,
• Abstract要約: 本稿では,摂動応答予測のための流れマッチング型AIVCモデルであるOCOO-Tを紹介する。 OCOO-Tは摂動応答予測を連続的デノナイジングプロセスとして定式化する。 様々な摂動や細胞タイプにまたがって最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 0.8574682463936006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting single-cell transcriptional responses to genetic, chemical and cytokine perturbations is a fundamental challenge in computational biology and AI Virtual Cell (AIVC) modeling, with direct implications for drug discovery and the elucidation of gene regulatory networks. Existing approaches often rely on auxiliary cell-state encoders, hierarchical variational autoencoders, dedicated Transformer encoder-decoder modules, or gene-interaction priors to compress high-dimensional expression profiles into latent representations. While effective, these designs increase architectural complexity and may limit scalability and generalizability. This paper introduces OCOO-T, a minimalist flow-matching-based AIVC model for transcriptional perturbation response prediction. OCOO-T utilizes a vanilla Transformer stack that operates directly on continuous gene expression profiles and formulates perturbation response prediction as a continuous-time denoising process. Perturbation embeddings, dosage information, and cell-line/cell-type specificity are integrated through adaptive layer normalization and in-context tokens. Comprehensive evaluations on Tahoe100M, Replogle, and PBMC benchmarks demonstrate that OCOO-T achieves state-of-the-art performance across diverse perturbations and cell types while effectively scaling to long transcriptional profiles through patching and depatching of cellular contexts. By leveraging the simplicity of Transformer-based denoising for single-cell omics, OCOO-T provides an effective and scalable framework for in-silico cellular simulation.
• Abstract（参考訳）: 遺伝、化学、サイトカイン摂動に対する単細胞転写応答の予測は、薬物発見と遺伝子制御ネットワークの解明に直接的な意味を持つ計算生物学とAIVC(AIVC)モデリングにおける根本的な課題である。 既存のアプローチは、しばしば補助的なセル状態エンコーダ、階層的変動オートエンコーダ、専用のトランスフォーマーエンコーダデコーダモジュール、あるいは高次元の表現プロファイルを潜在表現に圧縮するための遺伝子相互作用に頼っている。 効果的ではあるが、これらの設計はアーキテクチャの複雑さを増大させ、スケーラビリティと一般化可能性を制限する可能性がある。 本稿では,最小限のフローマッチングに基づくAIVCモデルであるOCOO-Tについて紹介する。 OCOO-Tはバニラトランスフォーマースタックを使用し、連続した遺伝子発現プロファイルを直接操作し、摂動応答予測を連続的な時間分解プロセスとして定式化する。 適応層正規化およびインコンテキストトークンにより、摂動埋め込み、投与情報、細胞線/細胞型特異性を統合する。 Tahoe100M, Replogle, PBMCベンチマークの総合的な評価は、OCOO-Tが様々な摂動や細胞タイプにまたがる最先端のパフォーマンスを達成し、細胞コンテキストのパッチやデパッチにより、長い転写プロファイルに効果的にスケールできることを実証している。 単一セルオミクスに対するTransformerベースのデノナイジングの単純さを活用することで、OCOO-Tはシリコン内セルシミュレーションに効果的でスケーラブルなフレームワークを提供する。

関連論文リスト

• scCBGM: Interpretable Single-Cell Counterfactual Editing [39.96631162986181]
  シングルセル概念ボトルネック生成モデル(scCBGM)を紹介する。 scCBGMは個々の細胞の解釈と正確な反事実編集のためのフレームワークである。 我々は,このフレームワークをフローマッチングモデルに拡張し,符号化・復号化と生成の両方式で概念誘導編集を可能にする。
  論文  参考訳（メタデータ） (2026-06-05T18:17:37Z)
• 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)
• DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
  組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。 本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2026-05-13T20:43:29Z)
• CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation [1.8012666291588018]
  本稿では,単一セルと空間的マルチオミクスを統一したスケーラブルなマルチモーダル基盤モデルであるCellxPertを紹介する。 CellxPertはトランスクリプトーム(scRNA-seq)、アクセシビリティー・アクセシビリティー・アクセシビリティ(ATAC-seq)、表面プロテオーム(CITE-seq)を共同でコードする。 細胞型アノテーション,摂動応答予測,マルチオミック統合において,CellxPertは古典的および最先端のベースラインを超越していることを示す。
  論文  参考訳（メタデータ） (2026-04-30T21:34:16Z)
• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• 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)
• TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis [56.9460577864211]
  TRIDENTは、摂動と対応する遺伝子発現プロファイルの両方を条件にすることで、現実的な細胞形態を合成するカスケード生成フレームワークである。 TRIDENTは最先端のアプローチよりも優れており、目に見えない化合物への強い一般化で最大7倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-11-23T04:43:27Z)
• 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)
• 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)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)

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。