論文の概要: CoDiffGRN: Rethinking Gene Regulatory Network Inference via the BEELINE-KGC Benchmark and Co-evolutionary Discrete Diffusion

• arxiv url: http://arxiv.org/abs/2607.13120v1
• Date: Tue, 14 Jul 2026 16:07:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.538533
• Title: CoDiffGRN: Rethinking Gene Regulatory Network Inference via the BEELINE-KGC Benchmark and Co-evolutionary Discrete Diffusion
• Title（参考訳）: CoDiffGRN: BEELINE-KGCベンチマークと共進化離散拡散による遺伝子制御ネットワーク推論の再考
• Abstract要約: 単一細胞転写データから遺伝子制御ネットワーク(GRN)を推定することは生物学的発見に不可欠である。 我々は、GRN推論を帰納的、ランキング中心のグラフ補完問題として再構成する。 textbfbenchmarkは、インダクティブな遺伝子保持分割と知識グラフ補完メトリクスを組み合わせた新しいベンチマークである。
• 参考スコア（独自算出の注目度）: 20.970593459575756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring gene regulatory networks (GRNs) from single-cell transcriptomic data is crucial for biological discovery, yet existing approaches suffer from a fundamental misalignment with real-world needs. Researchers typically seek a small set of high-confidence regulatory interactions for experimental validation, often involving previously unseen genes. However, current benchmarks rely on transductive splits with global classification metrics, while prevailing models struggle to generalize under inductive settings. To bridge this gap, we reformulate GRN inference as an inductive, ranking-centric graph completion problem and introduce \textbf{\benchmark}, a new benchmark that incorporates an inductive gene-holdout split together with knowledge graph completion metrics to better evaluate top-ranked predictions. Building on this, we propose \textbf{\method}, the first co-evolutionary discrete diffusion framework that jointly models biologically coherent discretized gene expression states and regulatory interactions for robust inductive generalization and improved top-ranked regulatory discovery. We further introduce TF-ALL Subgraph Sampling (TASS) for scalable training. Extensive experiments on {\benchmark} show that {\method} establishes new state-of-the-art performance, significantly outperforming existing methods in novel regulatory discovery, and ablation studies further verify the effectiveness of our design.
• Abstract（参考訳）: 単一細胞転写データから遺伝子制御ネットワーク(GRN)を推定することは生物学的発見にとって重要であるが、既存のアプローチは現実世界のニーズと根本的な相違に悩まされている。 研究者は通常、実験的な検証のために少数の高信頼の規制相互作用を求めており、しばしば以前は見つからなかった遺伝子を含んでいる。 しかしながら、現在のベンチマークでは、グローバルな分類基準によるトランスダクティブな分割に依存しており、一般的なモデルはインダクティブな設定の下で一般化するのに苦労している。 このギャップを埋めるために、GRN推論をインダクティブでランキング中心のグラフ補完問題として再構成し、インダクティブな遺伝子ホールトアウトと知識グラフ補完メトリクスを組み込んだ新しいベンチマークである \textbf{\benchmark} を導入し、トップランクの予測をよりよく評価する。 そこで本研究では, 生物学的にコヒーレントな識別された遺伝子発現状態と, 堅牢な帰納的一般化のための制御相互作用を共同でモデル化し, トップランクの規制発見を改善した最初の共進化的離散拡散フレームワークである, textbf{\method}を提案する。 さらに、スケーラブルなトレーニングのためのTF-ALL Subgraph Smpling(TASS)についても紹介する。 {\benchmark} の広範囲にわたる実験は、新しい最先端の性能を確立し、新しい規制発見における既存の手法を著しく上回っており、アブレーション研究は我々の設計の有効性をさらに検証していることを示している。

関連論文リスト

• Improving scDiffusion with Sparsity-Biased Classifier-Free Guidance [13.686193948598897]
  本稿では,scRNA-seq 生成のためのスペーサバイアス型分類器フリーガイダンス (SB-CFG) 戦略を提案する。 SB-CFGは、仮定された「中立」境界分布を近似するのではなく、意図的に非条件分岐に対する非形式的スパース参照を導入する。 この"悪い"参照は条件付きと条件なしの予測のコントラストを増幅し、サンプリング中により強く効果的なガイダンスをもたらす。
  論文  参考訳（メタデータ） (2026-07-31T05:46:07Z)
• Deep and Probabilistic Models for Gene Regulatory Network Inference [0.0]
  遺伝子制御ネットワーク(GRN)は、転写因子(TF)タンパク質を標的遺伝子にリンクするが、これらのネットワークをゲノム全体のデータから再構成することは、実用的および方法論上の制約の下では困難である。 この論文では、これらの制限に対処する2つの補完的なフレームワークを開発する。 第一に、PMF-GRNはGRN推論を変分推論によって最適化された確率的グラフィカルモデルとし、原理的モデル選択と不確実性を考慮したエッジ推定を可能にする。 第2に、GLM-Priorは、プレトレーニングされたヌクレオチドトランスを微調整して、ヌクレオチド配列から直接TF-ターゲット遺伝子相互作用を予測することで、以前のボトルネックに対処する。
  論文  参考訳（メタデータ） (2026-07-17T15:31:05Z)
• Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models [20.71882970022078]
  単一細胞ファンデーションモデル(scFM)は遺伝子制御ネットワーク(GRN)の推論に革命をもたらすことが広く期待されている。 我々は、未知の遺伝子やデータセットの規制予測を評価するために設計されたGRN一般化ベンチマークを導入する。 我々は、暗黙の制御情報をSCFMから高一般化可能な遺伝子間特徴に再現する2つの新しい手法、Virtual Value PerturbationとGradient Trajectoryを提案する。
  論文  参考訳（メタデータ） (2026-05-01T01:45:24Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Heterophily-informed Message Passing [16.73251866177758]
  グラフニューラルネットワーク(GNN)は、その暗黙のホモフィリー仮定のため、過密に弱いことが知られている。 我々はこの問題をメッセージの集約を規制する新しいスキームで緩和する。 われわれのアプローチは学習した埋め込みにのみ依存し、補助ラベルの必要性を回避している。
  論文  参考訳（メタデータ） (2025-04-28T13:28:23Z)
• Gene Regulatory Network Inference in the Presence of Selection Bias and Latent Confounders [16.010515254476626]
  選択はユビキタスであり、無視されたり、真の規則と混同されたりすると、因果解釈の欠陥や誤った介入勧告につながる可能性があることを示す。 本稿では、摂動データを利用して、真の遺伝子制御関係と、同値クラスへの選択と共役の非調節機構を明らかにするアルゴリズムであるGISLを提案する。
  論文  参考訳（メタデータ） (2025-01-17T11:27:58Z)
• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• Out of Distribution Generalization via Interventional Style Transfer in Single-Cell Microscopy [1.7778546320705952]
  コンピュータビジョンシステムの現実的な展開には、文脈的ニュアンスに不変な因果表現が必要である。 我々は,OOD一般化の難易度が高まる中で,モデルが因果表現を学習する程度を評価するテストを提案する。 他の確立された指標によって評価されるように、一見強靭なパフォーマンスにもかかわらず、これらのテストでは、悪質なベースラインと現代的なベースラインの両方が、相反することを防ぐために設計されている。
  論文  参考訳（メタデータ） (2023-06-15T20:08:16Z)
• 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)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。