論文の概要: PertReason: A Knowledge-Grounded Benchmark and Framework for Cell-State-Conditioned Mechanistic Reasoning of Perturbation Effects
- arxiv url: http://arxiv.org/abs/2607.18777v1
- Date: Tue, 21 Jul 2026 06:59:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.342336
- Title: PertReason: A Knowledge-Grounded Benchmark and Framework for Cell-State-Conditioned Mechanistic Reasoning of Perturbation Effects
- Title（参考訳）: PertReason: 摂動効果のセル・コンディション・メカニスティック推論のための知識付きベンチマークとフレームワーク
- Abstract要約: 本稿では,セル状態推論のための知識ベースベンチマークとフレームワークスイートPertReasonを紹介する。
PertReasonQAは、モデルが機械的に忠実な説明を生成できるかどうかをテストするベンチマークである。
PertReasonLMは、結果予測と文脈固有の機械的推論の整合性を訓練した大規模言語モデルである。
- 参考スコア（独自算出の注目度）: 11.347908338100515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating machine learning in scientific domains requires separating correct predictions from correct reasons under realistic distribution shifts. We introduce PertReason, a knowledge-grounded benchmark and framework suite for cell-state--conditioned reasoning about perturbation effects. At its core, PertReasonQA is a benchmark that tests whether models can generate mechanistically faithful explanations while remaining robust to complex shifts, such as new cells and unseen perturbations. PertReasonQA combines single-cell genetic and chemical perturbation data across multiple cellular contexts with knowledge graphs, and dynamically conditions pathways on cell-specific basal states to avoid generic memorization. Evaluations on state-of-the-art models reveal systematic gaps between predictive accuracy and mechanistic reasoning. Specifically, these models exhibit failure modes largely invisible to standard benchmarks, such as deriving correct answers through flawed logic, ignoring cellular context, and generating directionally inconsistent mechanisms. As a reference probe of the benchmark, we present PertReasonLM, a large language model trained to align outcome predictions with context-specific mechanistic reasoning. Our model targets the identified failure modes by grounding rationales in context-specific pathways and tightening agreement between outcomes and mechanisms. Together, we provide a diagnostic framework for exposing and mitigating failures in faithful reasoning in data-rich scientific systems.
- Abstract（参考訳）: 科学的領域における機械学習の評価には、現実的な分布シフトの下で正しい理由から正しい予測を分離する必要がある。
本稿では,セル状態条件による摂動効果の推論のための知識基盤ベンチマークとフレームワークスイートPertReasonを紹介する。
コアとなるPertReasonQAは、新しい細胞や目に見えない摂動のような複雑なシフトに頑健でありながら、モデルが機械的に忠実な説明を生成できるかどうかをテストするベンチマークである。
PertReasonQAは、複数の細胞コンテキストにまたがる単一細胞遺伝学的および化学的摂動データを知識グラフと組み合わせ、一般的な記憶を避けるために細胞特異的基底状態の動的条件経路を結合する。
最先端モデルの評価では、予測精度と機械的推論の間の体系的なギャップが示される。
特に、これらのモデルは、欠陥論理による正しい答えの導出、細胞コンテキストの無視、方向整合性のメカニズムの生成など、標準ベンチマークにはほとんど見えない障害モードを示す。
ベンチマークの基準として,結果予測と文脈固有の機械的推論の整合性を訓練した大規模言語モデルPertReasonLMを提案する。
本モデルでは,コンテキスト固有の経路に合理的な根拠を置き,結果とメカニズムの整合性を高めることによって,特定された障害モードを目標とする。
共に、データリッチな科学システムにおいて、忠実な推論において失敗を露呈し緩和するための診断フレームワークを提供する。
関連論文リスト
- Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。
SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。
86のベンチマークで、SciReasonerは67のタスクで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） (2026-07-08T17:59:59Z) - 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) - Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction [40.68914450179759]
単細胞摂動予測は、細胞が目に見えない介入にどのように反応するかを推測することを目的としている。
単一セル摂動データに対する潜在動的因果生成モデルを提案する。
適切な条件下では、潜伏因果変数は標準同値クラスまで回復可能である。
論文 参考訳（メタデータ） (2026-05-25T08:32:23Z) - AROMA: Augmented Reasoning Over a Multimodal Architecture for Virtual Cell Genetic Perturbation Modeling [10.19071074895934]
本稿では,仮想細胞遺伝的摂動モデリングのためのマルチモーダルアーキテクチャ上でのAugmented Reasoningを提案する。
AROMAは、テキストエビデンス、グラフトポロジー情報、タンパク質配列機能を統合し、摂動ターゲット依存性をモデル化する。
正確かつ解釈可能な予測を得るために、2段階最適化戦略で訓練されている。
論文 参考訳（メタデータ） (2026-04-22T07:10:45Z) - 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) - Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。
実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-02-10T14:54:17Z) - Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。
LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。
我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
論文 参考訳（メタデータ） (2026-01-20T16:15:38Z) - Causal Graph Neural Networks for Healthcare [2.446787923076599]
因果グラフニューラルネットワークは、分布シフト、差別、調査可能性の三つの危機に対処する。
本稿では, 構造因果モデル, 絡み合った因果表現学習, およびグラフ上の介入予測と反実的推論のための手法の方法論的基礎について検討する。
論文 参考訳（メタデータ） (2025-11-04T12:34:46Z) - TxPert: Leveraging Biochemical Relationships for Out-of-Distribution Transcriptomic Perturbation Prediction [11.083533122552396]
我々は、複数の生物学的知識ネットワークを活用してOODシナリオ下での応答を予測する新しい最先端手法であるTxPertを提案する。
特に,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>。
論文 参考訳（メタデータ） (2025-05-20T21:13:23Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳（メタデータ） (2024-11-21T10:37:57Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-09T17:12:32Z)
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。