論文の概要: Modeling Cell-Cycle-Aware Single-Cell Drug Perturbation Responses

• arxiv url: http://arxiv.org/abs/2606.30695v2
• Date: Fri, 03 Jul 2026 07:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 13:04:58.320037
• Title: Modeling Cell-Cycle-Aware Single-Cell Drug Perturbation Responses
• Title（参考訳）: 細胞周期を考慮したシングルセル薬物摂動応答のモデル化
• Abstract要約: scCycleMolは、24時間のSciPlex3ベンチマークに基づいて構築された、セルサイクル対応の摂動予測フレームワークである。 scCycleMolは、治療状態から細胞周期を誘導し、予測された発現に適用する。
• 参考スコア（独自算出の注目度）: 7.806328314748778
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single-cell drug perturbation models should capture transcriptional response magnitude and whether a treatment changes the proliferative state of the cell. This is difficult because cell-cycle variation is often treated as a nuisance factor, and benchmark processing rarely makes drug-induced phase changes a primary prediction target. We introduce scCycleMol, a cell-cycle-aware perturbation prediction framework built on a curated 24-hour SciPlex3 benchmark with standardized molecule identities, dose and cell-line metadata, modeled genes, and expression-derived cell-cycle supervision. scCycleMol derives cell-cycle supervision from the treated state and applies it to predicted treated expression without using phase as an input covariate. The model includes a learnable full-expression cell-cycle head with circular G1/S/G2M targets, and we evaluate readout-only supervision (with stop-gradient) versus closed-loop supervision (backpropagating through decoder, dose-response module, and drug representation). We also compare molecular representations and pretraining sources to isolate the effect of the cell-cycle objective. On a processed 24-hour SciPlex3 benchmark (635,541 cells, 186 perturbations, 188 compound embeddings, 3 cell lines, 4 doses plus DMSO, 5,080 genes), the best LINCS-pretrained circular variant reaches 0.9093 mean all-gene R-squared and 0.6843 mean DE-gene R-squared. Under matched preprocessing, closed-loop cell-cycle supervision improves phase accuracy by 0.54-0.62 points while keeping mean all-gene R-squared within 0.003 of matched chemCPA no-cell-cycle models; Tahoe-pretrained readout-only circular supervision achieves the strongest phase accuracy at 0.9609.
• Abstract（参考訳）: シングルセル薬物摂動モデルでは、転写応答の大きさと、治療が細胞の増殖状態を変化させるかどうかを捉える必要がある。 細胞周期の変動はしばしばニュアンス因子として扱われるため、ベンチマーク処理によって薬剤による位相変化が第一の予測対象となることは滅多にない。 細胞周期を考慮した摂動予測フレームワークである scCycleMol を24時間SciPlex3 ベンチマークで構築し,標準分子の同定,線量および細胞周期のメタデータ,モデル化された遺伝子,発現由来の細胞周期の監視を行った。 scCycleMolは、処理された状態から細胞周期を誘導し、入力共変体としてフェーズを使用せずに、予測された発現に応用する。 本モデルでは, 循環型G1/S/G2Mターゲットを持つ学習可能な完全圧縮セルサイクルヘッドを備え, リードアウトのみの監視(停止段階)とクローズドループの監視(デコーダ, 線量応答モジュール, 薬物表現によるバックプロパゲーション)を評価した。 また, 細胞周期目標の影響を分離するために, 分子表現と事前学習源の比較を行った。 処理された24時間SciPlex3ベンチマーク(細胞635,541個、186個の摂動、188個の複合埋め込み、3つの細胞株、4つの投与量、DMSO、5,080遺伝子)では、最高のLINCSが推奨する円形変種は0.9093、全遺伝子R-二乗平均は0.6843に達する。 マッチング前処理の下では、閉ループセルサイクル監視は、一致したケミカルCPAノセルサイクルモデルの0.003の範囲内で、平均的な全遺伝子R-2乗を保ちながら、位相精度を0.54-0.62ポイント改善する。

関連論文リスト

• A Transformer-Based Delta Expression Encoder for Psilocybin Transcriptional Response: Architecture, Representations, and Biological Validation [0.0]
  トランスフォーマーに基づくデルタ式エンコーダは、単一核RNA配列データから差分遺伝子発現ステータスを分類する。 細胞単位の分類精度は28.3%から99.6%であり、既知のシロシビン応答生物学と一致している。
  論文  参考訳（メタデータ） (2026-09-08T02:51:39Z)
• LLM-Guided Retrieval for Prediction of Molecular Perturbation Responses [9.104983140706517]
  我々は分子摂動予測をレトリーブ・アンド・アグリゲートとして表している。 大型言語モデル(LLM)は、候補の隣の薬物(標的細胞株でプロファイルされた薬物に制限される)をランク付けする。 固定平均アグリゲータは、観測された表現デルタを結合して予測を形成する。 タホー100M単細胞摂動アトラスについて, 未確認, 未確認, オープンワールド体制下での評価を行った。
  論文  参考訳（メタデータ） (2026-08-03T05:57:02Z)
• GeneSpeak-FP: Target and Compound Retrieval from Observed Cell-Level Perturbation Signatures [0.0]
  クローズド・ライブラリ・セッティングのためのトランスフォーマー検索モデルであるモデルを提案する。 各入力は、1つの処理された細胞と細胞線特異的な平均DMSO参照を対比して形成される細胞レベルの摂動署名である。 マッピング対象アノテーションを用いたTahoe-100M条件の評価を行った。
  論文  参考訳（メタデータ） (2026-07-20T08:22:44Z)
• SVC-Probe: A Framework for Evaluating Perturbation Generalization in Spatial Foundation-Model Embeddings [3.884856136722027]
  本研究では,蛍光顕微鏡画像から得られた空間基底モデル埋め込みの一般化について検討する。 本稿では,SVC-Probeについて紹介する。SVC-Probeは細胞内埋め込みアトラス安定性,Mondrian Neighborhood Graphs,Foundation Model Perturbation Probeを組み合わせた摂動認識フレームワークである。
  論文  参考訳（メタデータ） (2026-06-26T13:46:36Z)
• PerturbCellRL: Verifier-Guided Reinforcement Learning for Single-Cell Perturbation Prediction [28.013973806760976]
  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。
  論文  参考訳（メタデータ） (2026-06-26T06:15:04Z)
• 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)
• Causal Anomaly Detection for Lithium-Ion Battery Degradation [0.0]
  scCausalHealthは因果グラフ発見と$k$-nearest-neighbour転送エントロピーをサイクルごとの電圧、電流、温度、抵抗時系列に適用するフレームワークである。 LFP (MIT-Stanford MATR) と LCO (NASA PCoE, CALCE CS2) のケミストリーにまたがる7つの試験細胞を100%検出する。
  論文  参考訳（メタデータ） (2026-05-17T08:53:16Z)
• 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)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Diagnosing Heteroskedasticity and Resolving Multicollinearity Paradoxes in Physicochemical Property Prediction [0.2330146832085843]
  PubChem, ChEMBL, eMoleculesデータベースから426,850個の生物活性分子を解析した。 計算された logP 値を予測する線形モデルでは, 重度のヘテロスケダスト性が確認された。 木に基づくアンサンブル法は本質的にヘテロスケダスティック性に強く,予測性能は優れていた。
  論文  参考訳（メタデータ） (2025-12-31T05:32:13Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• 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)
• Sequence models for continuous cell cycle stage prediction from brightfield images [0.0]
  非蛍光光場イメージングを用いた連続的なFucci信号の予測のためのディープラーニング手法の評価を行った。 因果モデルと変圧器モデルの両方が単一フレームと固定フレームのアプローチよりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-04T09:57:17Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)

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。