論文の概要: Predictive single cell foundation model for gene regulation and aging with privacy-preserving tabular learning

• arxiv url: http://arxiv.org/abs/2607.19400v1
• Date: Mon, 06 Jul 2026 06:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.920633
• Title: Predictive single cell foundation model for gene regulation and aging with privacy-preserving tabular learning
• Title（参考訳）: プライバシー保護型表型学習による遺伝子発現制御と老化の予測的単一細胞基盤モデル
• Authors: Jiayuan Ding, Jianhui Lin, Ziyang Miao, Nils Mechtel, Shiyu Jiang, Yixin Wang, Zhaoyu Fang, Jorge D. Martin-Rufino, Chen Weng, Reuben Saunders, Weize Xu, Jonathan S. Weissman, Min Li, Jiliang Tang, Wei Ouyang, Yuancheng Ryan Lu, Xiaojie Qiu,
• Abstract要約: FM(Pre-trained foundation model)は、単一セルゲノミクスを変換し始めたが、それを拡張することでプライバシーの懸念が高まる。 我々は、フェデレートラーニング(FL)で設計されたプライバシー保護FMであるTabulaを紹介する。 Tabulaをデプロイするために、生データを共有せずに協力的なトレーニング機関のための分散AIエージェント対応プラットフォームであるChironを開発した。
• 参考スコア（独自算出の注目度）: 45.70010058968239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pre-trained foundation models (FMs) have begun transforming single-cell genomics, but scaling them raises privacy concerns. Moreover, unlike text data, single-cell data is unordered and exhibits a unique tabular structure that current single-cell FMs overlook. We introduce Tabula, a privacy-preserving FM designed with federated learning (FL) that explicitly models the tabular structure of single-cell data. To deploy Tabula, we further developed Chiron, a decentralized AI agent-enabled platform for collaborative training across institutions without sharing raw data. Beyond strong performance across downstream benchmarks, Tabula reveals combinatorial regulatory logic across diverse biological systems, including hematopoiesis, pancreatic endogenesis, neurogenesis, and cardiogenesis. Using a new scRNA-seq dataset of paired young and aged human fibroblasts, Tabula nominates rejuvenation factors through age- and identity score-guided in silico prioritization, outperforming conventional approaches. Thus, Tabula represents an important advance in single-cell foundation modeling by integrating tabular learning with FL, paving the way toward privacy-preserving virtual cells for human health.
• Abstract（参考訳）: FM(Pre-trained foundation model)は、単一セルゲノミクスを変換し始めたが、それを拡張することでプライバシーの懸念が高まる。 さらに、テキストデータとは異なり、単一セルデータは非順序であり、現在の単一セル FM が見落としているユニークな表構造を示す。 本稿では,単一セルデータの表構造を明示的にモデル化した,FL(Federated Learning)を用いたプライバシー保護型FMであるTabulaを紹介する。 Tabulaをデプロイするために、我々は、生データを共有せずに組織間で協調的なトレーニングを行う分散AIエージェント対応プラットフォームであるChironをさらに開発しました。 下流ベンチマークでの強いパフォーマンスに加えて、Tabulaは造血、膵内分泌、神経新生、心新生など、様々な生物学的システムにまたがる組合せ制御の論理を明らかにしている。 若年と高齢のヒト線維芽細胞からなる新しいscRNA-seqデータセットを用いて、Tabulaは、サイリコの優先順位付けにおいて年齢およびアイデンティティスコアが導かれることにより、回復因子を通知し、従来のアプローチより優れている。 このように、Tabulaは、表型学習をFLと統合し、人間の健康のためのプライバシー保護仮想細胞への道を開くことで、単細胞基盤モデリングにおける重要な進歩を示している。

関連論文リスト

• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• Cell-ontology guided transcriptome foundation model [18.51941953027685]
  オープンバイオロジー・バイオメディカルオントロジーファウンデーションの細胞オントロジーグラフにマッピングされた細胞型ラベルを利用して,CellxGeneデータベースから2200万の細胞上でscCelloを事前訓練した。 我々のTFMは、生物学的に重要なタスクにおいて、既存のTFMよりも競合的な一般化と伝達性性能を示す。
  論文  参考訳（メタデータ） (2024-08-22T13:15:49Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Generating tabular datasets under differential privacy [0.0]
  ディープニューラルネットワークのトレーニングプロセスに差分プライバシー(DP)を導入する。 これにより、結果データの品質とプライバシの間にトレードオフが生じます。 我々は、注意機構を活用する新しいエンドツーエンドモデルを実装している。
  論文  参考訳（メタデータ） (2023-08-28T16:35:43Z)

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。