論文の概要: Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions

• arxiv url: http://arxiv.org/abs/2607.00931v1
• Date: Wed, 01 Jul 2026 13:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.916691
• Title: Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions
• Title（参考訳）: がん治療薬の反応予測のための説明可能なAI
• Abstract要約: 本稿では,複数種類の説明を捉えるための単一遺伝子アセスメントを超えて,スケーラブルなポストホックな説明可能性フレームワークであるILLUME+を紹介する。 ILLUME+は、既存のベースラインよりも安定な遺伝子重要度スコアを生成し、確立された薬物遺伝子関連と作用機構を回復し、AIによる仮説生成により、がん生物学における新たな相互作用駆動分子シグナルを発見できる。
• 参考スコア（独自算出の注目度）: 4.432106960947219
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting cancer drug response from transcriptomic profiles is a cornerstone of precision oncology, yet the scientific value of machine learning models hinges not solely on predictive accuracy, but also on their capacity to generate reliable biological insights. Current explainability approaches in this setting are computationally costly, lack robustness, and reduce complex drug response to univariate gene importance scores, overlooking the coordinated gene activity that drives sensitivity and resistance. In this work, we present ILLUME+, a scalable post-hoc explainability framework that moves beyond single-gene assessments to capture multiple, complementary forms of explanation. Integrated into our end-to-end pipeline, ILLUME+ produces more stable gene importance scores than existing baselines, recovers established drug-gene associations and mechanisms of action, and enables AI-assisted hypothesis generation to uncover novel interaction-driven molecular signals in cancer biology.
• Abstract（参考訳）: 転写学的プロファイルからがん薬物の反応を予測することは、精度オンコロジーの基盤であるが、機械学習モデルの科学的価値は、予測精度だけでなく、信頼性の高い生物学的洞察を生み出す能力にも焦点を当てている。 この設定における現在の説明可能性のアプローチは、計算コストが高く、堅牢性が欠如し、単変量遺伝子の重要性スコアに対する複雑な薬物反応を減少させ、感度と耐性を駆動する協調された遺伝子活性を見渡す。 本研究では,複数の相補的な説明形式を捉えるために,単一遺伝子アセスメントを超えて,スケーラブルなポストホックな説明可能性フレームワークであるILLUME+を提案する。 我々のエンドツーエンドパイプラインに統合されたILLUME+は、既存のベースラインよりも安定な遺伝子重要度スコアを生成し、確立された薬物遺伝子関連と作用機構を回復し、AIによる仮説生成により、がん生物学における新たな相互作用駆動分子シグナルを発見できる。

関連論文リスト

• 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)
• Genotype-Conditioned Molecular Generation via Evidence-Grounded Multi-Objective Latent Perturbation in Diffusion Models [28.58133087329719]
  がん遺伝子型に規定された生成モデルは、パーソナライズされた薬物発見のための有望な道を提供する。 本稿では,事前学習した遺伝子型からドラッグへの拡散モデルに対する潜在空間最適化手法を提案する。 感度, 薬物類似性, 合成性, 化学的妥当性において, 競合するベースラインよりも一貫した, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2026-05-31T21:43:11Z)
• 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)
• Contextual Invertible World Models: A Neuro-Symbolic Agentic Framework for Colorectal Cancer Drug Response [4.796382757669091]
  精度オンコロジーは現在、小さなN、大きなPパラドックスによって制限されている。 このギャップを埋めるニューロシンボリックエージェントフレームワークを提案する。 われわれのフレームワークは、癌研究における説明可能なAIへの透明で生物学的に根ざした道を提供する。
  論文  参考訳（メタデータ） (2026-03-01T16:15:58Z)
• Progressive Multi-Agent Reasoning for Biological Perturbation Prediction [32.71169480836875]
  複雑な化学摂動下での標的遺伝子の制御を予測するための新しいベンチマークであるLINCSQAを提案する。 また,PBio-Agentを提案する。PBio-Agentは,難易度を考慮したタスクシークエンシングと反復的知識の洗練を統合したマルチエージェントフレームワークである。 私たちの重要な洞察は、同じ摂動によって影響を受ける遺伝子は因果構造を共有しており、自信を持って予測された遺伝子がより困難なケースを文脈化できるということです。
  論文  参考訳（メタデータ） (2026-02-07T06:59:44Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Binding Affinity Prediction: From Conventional to Machine Learning-Based Approaches [48.66541987908136]
  過去数十年間、バインディング親和性を予測するために多くの作業が費やされてきた。 従来の機械学習モデルとディープラーニングモデルの両方を結合親和性を予測するために利用している点に注意が必要だ。 予測性能の改善とFDAの動物試験の廃止により、AI仮想細胞(AIVC)のようなサイリコモデルで駆動されるAIは、結合親和性予測を前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-09-30T03:40:49Z)
• Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
  既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。 ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
  論文  参考訳（メタデータ） (2024-07-05T13:13:02Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)

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。