論文の概要: PerturbPFN: Probing the Limits of Synthetic Priors in Drug Perturbation Modelling

• arxiv url: http://arxiv.org/abs/2607.23447v1
• Date: Sun, 26 Jul 2026 04:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.104874
• Title: PerturbPFN: Probing the Limits of Synthetic Priors in Drug Perturbation Modelling
• Title（参考訳）: PerturbPFN:薬物摂動モデルにおける合成前駆体の限界を探る
• Abstract要約: PerturbPFNは未知のターゲット摂動予測のためのPFNスタイルの補正モデルである。 潜伏系グラフ、疎原子干渉ターゲット、干渉強度を推論し、SCMデコーダを介してその効果を伝播する。 実シングルセル摂動データと合成ベンチマークを用いてPerturbPFNを評価し,効果予測,ターゲット同定,規制構造探索について検討した。
• 参考スコア（独自算出の注目度）: 32.58158334613679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting cellular responses to unseen chemical perturbations is challenging due to unknown targets and mechanisms, high-dimensional expression responses, and limited experimental coverage of the large small-molecule design space. We propose PerturbPFN, a PFN-style amortized model for unknown-target perturbation prediction under a hierarchical synthetic structural prior. Instead of directly regressing high-dimensional expression responses, PerturbPFN infers a latent system graph, sparse atomic intervention targets, and intervention strengths, then propagates their effects through an SCM decoder. The model is trained entirely on prior-predictive synthetic episodes generated from biologically motivated graph and expression simulators, enabling structured in-context learning without test-time gradient updates. We evaluate PerturbPFN on both real single-cell perturbation data and synthetic benchmarks, covering effect prediction, target identification, and regulatory structure discovery. Our results show that PerturbPFN offers a complementary trade-off to specialized baselines, achieving competitive perturbation prediction with low inference cost while exposing interpretable intermediate estimates of targets, strengths, and system structure.
• Abstract（参考訳）: 未確認の化学摂動に対する細胞応答の予測は、未知の標的と機構、高次元の表現応答、および大規模な小分子設計空間の限られた実験範囲により困難である。 階層的な合成構造の下での未知ターゲット摂動予測のためのPFN型補正モデルPerturbPFNを提案する。 高次元の表現応答を直接回帰する代わりに、PerturbPFNは潜伏系グラフ、疎原子干渉ターゲット、干渉強度を推定し、SCMデコーダを介してそれらの効果を伝播させる。 このモデルは、生物学的に動機付けられたグラフと表現シミュレータから生成された予測前の合成エピソードに基づいて、完全にトレーニングされ、テスト時間勾配の更新なしに構造化されたコンテキスト内学習を可能にする。 実シングルセル摂動データと合成ベンチマークを用いてPerturbPFNを評価し,効果予測,ターゲット同定,規制構造探索について検討した。 以上の結果から,PerturbPFNは,目標,強度,システム構造の解釈可能な中間推定を公開しながら,予測コストの低い競合摂動予測を実現し,特殊なベースラインに相補的なトレードオフを提供することを示す。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities [4.144744763257738]
  合成データは、プライバシ保護データリリース、拡張、シミュレーションのための有望なツールを提供する。 しかし、因果推論での使用には、予測的忠実性以上のものを保存する必要がある。 GANとLCMをベースとしたモデルを含む,完全生成型表層合成器は,強い合成・テスト・オン・リアルな性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2026-04-26T22:38:23Z)
• Drug Synergy Prediction via Residual Graph Isomorphism Networks and Attention Mechanisms [3.073484266148604]
  Intention Mechanism(ResGIN-Att)と統合されたResidual Graph Isomorphism Networkと呼ばれる新しいモデルを導入する。 このモデルは、まず、残留グラフ同型ネットワークを用いて、薬物分子のマルチスケールトポロジカルな特徴を抽出し、残留結合が深層での過剰な平滑化を緩和する。その後、適応長短期記憶(LSTM)モジュールは、局所からグローバルスケールまでの構造情報を融合する。最後に、クロスアテンションモジュールは、薬物と薬物の相互作用を明示的にモデル化し、重要な化学的サブ構造を特定するように設計されている。
  論文  参考訳（メタデータ） (2026-04-23T09:31:51Z)
• LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction [6.065808462922399]
  既存の手法は、現実的なコールドスタートシナリオにおいて大きなパフォーマンス劣化に悩まされる。 堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。
  論文  参考訳（メタデータ） (2026-03-16T03:46:51Z)
• 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)
• Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
  ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。 HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。 ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。 どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
  論文  参考訳（メタデータ） (2025-10-27T00:04:17Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors [4.882734501598445]
  既存の予測モデルは限定的、一般化可能性、解釈可能性に悩まされている。 自動エンコーダと予測器の階層化フレームワーク(LEAP)について紹介する。 LEAPは、モデリング戦略を越えて、未スクリーンのセルラインでの予測性能を一貫して改善する。
  論文  参考訳（メタデータ） (2025-02-21T18:12:36Z)
• 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)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)

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。