論文の概要: PerturbCellRL: Verifier-Guided Reinforcement Learning for Single-Cell Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2606.27752v1
• Date: Fri, 26 Jun 2026 06:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.393601
• Title: PerturbCellRL: Verifier-Guided Reinforcement Learning for Single-Cell Perturbation Prediction
• Title（参考訳）: PerturbCellRL:単セル摂動予測のための検証型強化学習
• Abstract要約: 単細胞摂動モデルは、細胞が介入にどのように反応するかを予測することによって、コストのかかるウェットラブスクリーニングを減らすことができる。 PerturbCellRLは、事前訓練された単細胞転写生成器をポストトレーニングする強化学習フレームワークである。 複数の遺伝的および化学的摂動ベンチマークを用いてPerturbCellRLを評価した。
• 参考スコア（独自算出の注目度）: 28.013973806760976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-cell perturbation models can reduce costly wet-lab screening by predicting how cells respond transcriptionally to interventions. While recent generative models improve population-level prediction, individual generated cells are not explicitly checked for biological consistency. We introduce PerturbCellRL, a reinforcement learning (RL) framework that post-trains a pretrained single-cell transcriptomic generator using a suite of cell-level verifiers as rewards. These verifiers define four rewards: Pearson top-k similarity, RMSE top-k proximity, DE Spearman, and Pathway activity. The Pathway activity verifier rewards cells whose pathway responses match known perturbation biology. We evaluate PerturbCellRL on multiple genetic and chemical perturbation benchmarks. Across these benchmarks, PerturbCellRL improves over the pretrained flow-matching generator on reward-aligned evaluation metrics and a held-out evaluation metric. Moreover, PerturbCellRL remains competitive with state-of-the-art methods on population-level metrics. Together, these results frame trustworthy single-cell prediction as verifier-guided generative alignment, moving beyond matching expression distributions toward predictions whose single-cell perturbation effects are explicitly checked for biological consistency.
• Abstract（参考訳）: 単細胞摂動モデルは、細胞が介入に対して転写的にどのように反応するかを予測することによって、コストのかかるウェットラブスクリーニングを減らすことができる。 最近の生成モデルは個体群レベルの予測を改善するが、個々の生成細胞は生物学的な整合性について明示的にはチェックされない。 PerturbCellRLは強化学習(RL)フレームワークで, セルレベル検証器の組を報酬として使用して, 事前訓練した単細胞転写生成器をポストトレーニングする。 これらの検証者はPearson Top-k類似性、RMSE Top-k近接性、DE Spearman、Pathwayアクティビティの4つの報酬を定義する。 経路活性検証器は、経路応答が既知の摂動生物学と一致する細胞に報酬を与える。 複数の遺伝的および化学的摂動ベンチマークを用いてPerturbCellRLを評価した。 これらのベンチマーク全体で、PerturbCellRLは、報酬整合評価指標とホールドアウト評価指標に基づいて、事前訓練されたフローマッチングジェネレータを改善する。 さらに、PerturbCellRLは人口レベルの指標に関する最先端の手法と競合し続けている。 これらの結果は, 信頼性の高い単細胞予測を検証誘導型生成アライメントとして捉え, 一致した表現分布を超えて, 単細胞摂動効果が生物学的整合性のために明示的にチェックされる予測へと移行した。

関連論文リスト

• PopPert: Population-level Joint-Distribution Modeling for Single-Cell Perturbation Prediction [17.491072730946158]
  そこで我々はPopPertを提案する。PopPertは集団レベルの共同遺伝子発現分布を明示的にパラメータ化するフレームワークである。 制御された人口分布と摂動条件から、PopPertは分布パラメータの摂動によって引き起こされる変化を予測する。 PopPertは、差分式回復、摂動効果の推定、人口レベルの分布マッチングにおいて、より優れた全体的な性能を達成する。
  論文  参考訳（メタデータ） (2026-09-01T14:59:03Z)
• 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)
• CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment [46.660621971318996]
  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。
  論文  参考訳（メタデータ） (2026-05-28T22:37:54Z)
• Prototype Guided Post-pretraining for Single-Cell Representation Learning [0.0]
  遺伝子発現データからの単一細胞表現学習は、細胞機能の基礎となる複雑な制御ロジックを明らかにする手段を提供する。 遺伝子をトークンとして扱い、細胞を文として扱う、いくつかの単細胞事前訓練モデルが最近提案されている。 本稿では,単細胞基礎モデルの事前学習段階と微調整段階の間で動作するポストプレトレーニング手法であるCellRefineを紹介する。
  論文  参考訳（メタデータ） (2026-05-08T16:08:10Z)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• 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)
• Retrieval-Augmented Generation for Predicting Cellular Responses to Gene Perturbation [11.439588896862155]
  PT-RAG(Perturbation-aware Two-stage Retrieval-Augmented Generation)は、レトリーバル-Augmented Generationを従来の言語モデルから細胞生物学まで拡張する新しいフレームワークである。 本研究は,遺伝子摂動に対する細胞応答をモデル化するための将来的なパラダイムとして,検索増強世代を確立した。
  論文  参考訳（メタデータ） (2026-03-07T14:31:27Z)
• 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)
• 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)
• 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。