論文の概要: LLM-Guided Retrieval for Prediction of Molecular Perturbation Responses

• arxiv url: http://arxiv.org/abs/2608.01734v1
• Date: Mon, 03 Aug 2026 05:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.344091
• Title: LLM-Guided Retrieval for Prediction of Molecular Perturbation Responses
• Title（参考訳）: LLMを用いた分子摂動応答の予測
• Abstract要約: 我々は分子摂動予測をレトリーブ・アンド・アグリゲートとして表している。 大型言語モデル(LLM)は、候補の隣の薬物(標的細胞株でプロファイルされた薬物に制限される)をランク付けする。 固定平均アグリゲータは、観測された表現デルタを結合して予測を形成する。 タホー100M単細胞摂動アトラスについて, 未確認, 未確認, オープンワールド体制下での評価を行った。
• 参考スコア（独自算出の注目度）: 9.104983140706517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting transcriptomic responses to small-molecule perturbations across cell lines is central to drug discovery, but exhaustive profiling of drug-cell combinations is infeasible. We frame molecular perturbation prediction as retrieve-and-aggregate: approximate an unmeasured drug's response in a cell line by aggregating measured responses of a small set of biologically related compounds. We propose LLM-Guided Retrieval (LGR), where a large language model (LLM) ranks candidate neighbor drugs (restricted to those profiled in the target cell line); after which a fixed mean aggregator combines their observed expression deltas to form the prediction. We evaluate on the Tahoe-100M single-cell perturbation atlas under unseen-drug, unseen-cell-line, and open-world regimes. LGR consistently improves over drug mean, ChemCPA, and chemistry-based kNN baselines, with the strongest gains for unseen cell-line generalization, where it achieves higher correlation and lower error than mean baselines. Across settings, LGR improves directional (sign) accuracy of gene regulation, indicating better recovery of biologically meaningful perturbation effects even when magnitude-based metrics are similar. These results suggest that retrieval quality, rather than predictor complexity, is a key driver of zero-shot molecular perturbation prediction, and that LLMs can provide a useful biological prior when used as constrained retrieval modules.
• Abstract（参考訳）: 細胞株間の小分子摂動に対する転写反応の予測は、薬物発見の中心であるが、薬物と細胞の組み合わせの徹底的なプロファイリングは不可能である。 分子摂動予測は, 分子摂動予測をリトリーブ・アンド・アグリゲート(require-and-aggregate)として, 微量な生物学的関連化合物の反応を集約することにより, 細胞株における未測定薬物の応答を近似する。 LLM-Guided Retrieval (LGR) では, 言語モデル(LLM) が隣の薬物(標的細胞株にプロファイルされた薬物に制限される)をランク付けし, 固定平均アグリゲータがそれらの発現デルタを結合して予測を行う。 タホー100M単細胞摂動アトラスについて, 未確認, 未確認, オープンワールド体制下での評価を行った。 LGRは、薬物平均値、ChemCPA、化学ベースのkNNベースラインよりも一貫して改善し、目に見えない細胞ラインの一般化において最も高い利益を上げ、平均ベースラインよりも高い相関と低いエラーを達成する。 設定全体では、LGRは遺伝子制御の方向(符号)の精度を改善し、マグニチュードベースの指標が類似している場合でも、生物学的に意味のある摂動効果の回復を改善する。 これらの結果から, 分子摂動予測をゼロショットで行う上では, 検索品質が重要な要因であることが示唆された。

関連論文リスト

• CoMPASS: Collaborative Molecular Property Prediction via Adaptive Small-Large Model Synergy [8.012730274764019]
  正確な分子特性予測には、統計的信頼性と化学的推論の両方が必要である。 CoMPASSは、小型モデルコラボレーションのための検索校正フレームワークである。 その結果, 生成的推論は, 根拠的, 制御された補正によって, 校正予測を増強すべきであることが示唆された。
  論文  参考訳（メタデータ） (2026-08-31T12:14:01Z)
• 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)
• Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction [3.229566379058554]
  凍結した病理組織とRNA-Seqファンデーションモデル上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプトが実現できることを示す。 ベースライン法よりも25倍の検索改善を実現した。 我々はPOSEIDON臨床試験における臨床的有用性を検証する。
  論文  参考訳（メタデータ） (2026-06-29T08:24:53Z)
• 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)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• 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)
• Transcriptome-Conditioned Personalized De Novo Drug Generation for AML Using Metaheuristic Assembly and Target-Driven Filtering [0.0]
  急性骨髄性白血病(AML)は、その極端な分子多様性と高い再発率のために、臨床上の課題である。 本稿では,患者固有の転写学とde novo薬物発見のギャップを埋める,新しいエンドツーエンドの計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-24T17:39:37Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Accelerating Drug Safety Assessment using Bidirectional-LSTM for SMILES Data [0.0]
  Bi-Directional Long Short Term Memory (BiLSTM) は、入力分子配列を処理するリカレントニューラルネットワーク(RNN)の変種である。 提案した研究は、SMILES文字列にコードされたシーケンシャルパターンを理解することを目的としており、それによって分子の毒性を予測する。
  論文  参考訳（メタデータ） (2024-07-08T18:12:11Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• 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)
• A generative recommender system with GMM prior for cancer drug generation and sensitivity prediction [1.0128447823756244]
  本稿では,変分オートエンコーダを用いた薬物効率評価推薦システムであるVADEERSについて述べる。 化合物の生成は、半教師付きガウス混合モデル(GMM)による新しい変分オートエンコーダによって実行される。 VADEERSは、薬物と細胞株の性質とそれらの関係の包括的モデルを提供し、新規化合物を誘導する。
  論文  参考訳（メタデータ） (2022-06-07T20:13:03Z)

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。