論文の概要: SCTA: An Agentic Framework for Stable and Interpretable Target Gene Discovery from Single-Cell RNA Sequencing

• arxiv url: http://arxiv.org/abs/2607.23821v1
• Date: Sun, 26 Jul 2026 19:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.244339
• Title: SCTA: An Agentic Framework for Stable and Interpretable Target Gene Discovery from Single-Cell RNA Sequencing
• Title（参考訳）: SCTA:シングルセルRNAシークエンシングによる安定かつ解釈可能なターゲット遺伝子発見のためのエージェントフレームワーク
• Abstract要約: SCTA(Single-Cell Target Agent, Single-Cell Target Agent, Single-Cell Target Agent)は、scRNA-seqデータから安定かつ解釈可能なターゲット遺伝子発見のための決定中心のエージェントフレームワークである。 SCTAは分析を1つの汎用推論タスクとして扱うのではなく、単一セルパイプラインにおける重要な決定ポイントに沿った特殊なエージェントにターゲット発見を分解する。
• 参考スコア（独自算出の注目度）: 31.966592797729888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying therapeutic target genes from single-cell RNA sequencing (scRNA-seq) data remains a fundamental challenge in translational biology. Unlike bulk assays, scRNA-seq captures heterogeneous cellular states and rare subpopulations, but this same heterogeneity makes target discovery highly sensitive to analytical choices throughout the pipeline, including preprocessing, cell population selection, differential expression analysis, and downstream biological interpretation. As a result, existing workflows and general-purpose analysis agents often produce unstable or difficult-to-interpret target hypotheses, limiting their reliability for disease-focused discovery. We present SCTA (Single-Cell Target Agent), a decision-centric agentic framework for stable and interpretable target gene discovery from scRNA-seq data. Rather than treating analysis as a single general-purpose reasoning task, SCTA decomposes target discovery into specialized agents aligned with key decision points in the single-cell pipeline and constrains downstream reasoning with structured biological evidence. In a representative ablation study on hereditary chronic pancreatitis, we demonstrate that SCTA's full evidence integration yields the most stable target selection across independent runs among the tested configurations, while recovering biologically coherent, disease-relevant mechanisms validated in prior studies. These results suggest that decision-aware agent orchestration tailored to the structure of single-cell analysis can improve the robustness, interpretability, and practical utility of target discovery in precision medicine.
• Abstract（参考訳）: 単一細胞RNAシークエンシング(scRNA-seq)データから治療標的遺伝子を同定することは、翻訳生物学における根本的な課題である。 バルクアッセイとは異なり、scRNA-seqは異質な細胞状態と稀なサブ集団を捕獲するが、同じ異種性により、前処理、細胞集団選択、差分表現解析、下流の生物学的解釈を含むパイプライン全体の分析的選択に対して、ターゲット発見に非常に敏感になる。 その結果、既存のワークフローや汎用分析エージェントは、しばしば不安定または解釈が難しいターゲット仮説を生み出し、病気に焦点を絞った発見の信頼性を制限している。 SCTA(Single-Cell Target Agent, Single-Cell Target Agent, Single-Cell Target Agent)は、scRNA-seqデータから安定かつ解釈可能なターゲット遺伝子発見のための決定中心のエージェントフレームワークである。 SCTAは分析を単一の汎用的推論タスクとして扱うのではなく、単一セルパイプラインにおける重要な決定ポイントと整合した特殊なエージェントにターゲット発見を分解し、構造化された生物学的証拠で下流の推論を制約する。 遺伝性慢性膵炎に関する代表的なアブレーション研究において、SCTAの完全なエビデンス統合は、試験された構成の中で、最も安定した目標選択をもたらす一方、先行研究で検証された生物学的に一貫性のある疾患関連メカニズムを回復することを示した。 以上の結果から, 単一細胞解析に適合した意思決定エージェントのオーケストレーションは, 精度医学における目標発見の堅牢性, 解釈可能性, 実用性を向上させることが示唆された。

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)
• An Early Warning of Emerging Biosecurity Risks in Frontier LLMs [62.01705276160883]
  Intern-BioBreakerは、特殊な生体赤チームモデルであり、計算と物理を統合したフレームワークである。 このフレームワーク内では、Intern-BioBreakerがターゲットのjailbreakプロンプトを生成して、アライメントされたモデルを誘導して運用ガイダンスを提供することができるかどうかをテストする。 本評価では,テキストレベルの保護と,有能な科学モデルによるリスクとのギャップを明らかにする。
  論文  参考訳（メタデータ） (2026-07-20T15:26:23Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• scBench-Long: Verifiable Benchmarking of Long-Horizon Single-Cell Biology [6.518767416778027]
  長距離単細胞生物学のベンチマークである scBench-Long を紹介する。 scBench-Longは、エージェントが局所的な分析段階を超えて複雑な科学的主張を行うことができるかどうかを評価する。 1,068タスクで最強のモデルハーネスペアは16/63ラン(25.4%)をパスした。
  論文  参考訳（メタデータ） (2026-06-25T03:21:50Z)
• Machine Learning for analysis of Multiple Sclerosis cross-tissue bulk and single-cell transcriptomics data [30.40681235085877]
  末梢血単核球および脳脊髄液からの転写データを解析するエンド・ツー・エンド機械学習パイプラインを開発した。 免疫活性,非カノニカル免疫チェックポイント,リボソームおよび翻訳プログラム,ユビキチンプロテアソーム調節,脂質輸送,Epstein-Barrウイルス関連経路を同定した。
  論文  参考訳（メタデータ） (2026-03-05T16:09:12Z)
• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• 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)
• 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)
• scBeacon: single-cell biomarker extraction via identifying paired cell clusters across biological conditions with contrastive siamese networks [0.9591674293850556]
  scBeaconは、深いコントラストのあるシアムネットワーク上に構築されたフレームワークである。 scBeaconは、様々な条件で一致した細胞集団を特定します。 包括的な評価は、既存の単細胞差分遺伝子解析ツールよりも scBeacon の方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-11-05T08:27:24Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)

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。