論文の概要: Stable-Shift: Biologically Structured Prediction of Transcriptional Responses to Unseen Gene Perturbations

• arxiv url: http://arxiv.org/abs/2606.24940v1
• Date: Mon, 22 Jun 2026 19:48:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.051795
• Title: Stable-Shift: Biologically Structured Prediction of Transcriptional Responses to Unseen Gene Perturbations
• Title（参考訳）: 安定シフト:遺伝子摂動に対する転写応答の生物学的構造予測
• Abstract要約: 安定シフト (Stable-Shift) は、未知の遺伝子応答を推定する構造的手法である。 システムはSTRINGインタラクション、ネットワーク構造、制御セル表現統計、遺伝子オントロジーアノテーションを組み合わせる。 平均コサイン類似度は0.589+/-0.008であった。
• 参考スコア（独自算出の注目度）: 8.089217380596391
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting transcriptional responses to genetic perturbations could reduce the experimental burden of functional genomics, but extrapolation to genes that were never perturbed during training remains difficult. We present Stable-Shift, a structured method for estimating unseen-gene responses. Stable-Shift aggregates single-cell measurements into perturbation-level expression shifts, fits a low-rank response basis using training perturbations only, and predicts an unseen gene's coordinates in that basis from biological context. The context combines STRING interactions, network structure, control-cell expression statistics, and Gene Ontology annotations; the evaluated implementation uses graph convolution to integrate these inputs. On the supplied K562 Perturb-seq benchmark, Stable-Shift obtained 0.592 cosine similarity, compared with 0.569 for GEARS, together with higher Spearman correlation and top-gene precision among the evaluated methods. Its mean cosine similarity over five unseen-gene splits was 0.589 +/- 0.008. The same ordering was observed in the supplied graph-aware, residualized, gene-space, and Norman-dataset comparisons. These results support further study of biologically structured latent-response prediction, while the lower gene-space accuracy and sensitivity to sparse graph neighborhoods limit the scope of the present conclusions.
• Abstract（参考訳）: 遺伝子摂動に対する転写応答の予測は機能ゲノミクスの実験的負担を軽減する可能性があるが、トレーニング中に摂動しなかった遺伝子への外挿は依然として困難である。 本研究では,未知遺伝子応答を推定する構造的手法であるStable-Shiftを提案する。 安定-シフトは単細胞測定を摂動レベルの発現シフトに集約し、トレーニング摂動のみを使用して低ランクの応答ベースに適合させ、生物学的文脈から見知らぬ遺伝子の座標を予測する。 このコンテキストはSTRINGインタラクション、ネットワーク構造、制御セル表現統計、遺伝子オントロジーアノテーションを組み合わせており、評価された実装はこれらの入力を統合するためにグラフ畳み込みを使用する。 供給されたK562 Perturb-seqベンチマークでは、Stable-Shiftは0.592のコサイン類似性を示し、GEARSは0.569のコサイン類似性を示した。 平均コサイン類似度は0.589+/-0.008であった。 同じ順序は、供給されたグラフ認識、残基化、遺伝子空間、ノルマンデータセットの比較で観察された。 これらの結果は、生物学的に構造化された潜在応答予測のさらなる研究を支持し、より低い遺伝子空間精度とスパースグラフ近傍への感受性は、現在の結論の範囲を制限する。

関連論文リスト

• Control-Anchored Residual Flow Matching Conditioned on Gene Geometry for Virtual Cell Perturbation Modeling [27.139698175723254]
  そこで本研究では,生物ネットワークから派生した遺伝子組換えの残流を制御したGeneGeoFlowを提案する。 摂動条件付き遺伝子操作モジュールは、関連する構造スケールとネットワークソースを選択し、介入特異的な遺伝子構造を生成する。 GeneGeoFlowは、ノーマン加法ベンチマークでピアソンデルタスコア0.8979、固定されたComboSciPlexテストスプリットで5つの保留薬の組み合わせで0.9088を達成している。
  論文  参考訳（メタデータ） (2026-08-07T05:29:00Z)
• BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
  BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。 学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。 CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
  論文  参考訳（メタデータ） (2026-08-06T11:58:29Z)
• Plausibility Is Not Prediction: Contrastive Evidence for LLM-Based Cellular Perturbation Reasoning [27.902219493068824]
  摂動実験は細胞機構の理解の中心である。 それらは高価で疎いままであり、保存されていない状態に対する遺伝子発現応答の予測を動機付けている。 証拠を関連摂動から肯定的・否定的な結果に整理することで,予測を比較課題として再編成するCOREを導入する。
  論文  参考訳（メタデータ） (2026-05-31T06:13:26Z)
• 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)
• Beyond Expression Similarity: Contrastive Learning Recovers Functional Gene Associations from Protein Interaction Structure [0.0]
  Predictive Associative Memory (PAM)フレームワークは、有用な関係が共有コンテキストで共有されることが多いことを示唆している。 この原理が、タンパク質-結合相互作用が機能的関連をもたらす分子生物学に転移するかどうかを検証する。
  論文  参考訳（メタデータ） (2026-03-21T21:36:23Z)
• STRAND: Sequence-Conditioned Transport for Single-Cell Perturbations [31.08466183513241]
  STRANDは、制御DNA配列の条件付けによって単一細胞の応答を予測する生成モデルである。 配列による摂動を表現することは、遺伝子識別子の固定セットではなく、訓練中に見えないlociでのゼロショット推論をサポートする。 K562, Jurkat, RPE1細胞におけるCRISPR摂動データセットのSTRANDを評価する。
  論文  参考訳（メタデータ） (2026-02-10T00:57:38Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
  GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。 我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。 GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2025-10-05T18:28:21Z)
• 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)
• CausalGeD: Blending Causality and Diffusion for Spatial Gene Expression Generation [11.664880068737084]
  本稿では,遺伝子間の因果関係を活用するために,拡散と自己回帰過程を組み合わせたCausalGeDを提案する。 10の組織データセットで、CausalGeDは最先端のベースラインを5～32%上回った。
  論文  参考訳（メタデータ） (2025-02-11T18:26:22Z)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)
• Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
  エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。 伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。 非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-07-13T15:08:44Z)
• HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution [76.97231739317259]
  本稿では,ヒト参照ゲノム上に,最大100万個のトークンを単一ヌクレオチドレベルで有するゲノム基盤モデルであるHyenaDNAについて紹介する。 Nucleotide Transformerの微調整されたベンチマークでは、HyenaDNAが18のデータセットのうち12の最先端(SotA)に到達した。
  論文  参考訳（メタデータ） (2023-06-27T20:46:34Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)

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。