論文の概要: BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells

• arxiv url: http://arxiv.org/abs/2608.05928v1
• Date: Thu, 06 Aug 2026 11:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.898161
• Title: BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells
• Title（参考訳）: BioM-JEPA : 単一細胞におけるグラフ結合遺伝子ブロックの結合埋め込み予測
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.21963170814706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell transcriptomes are sparse observations of coordinated biological programmes, yet most self-supervised models learn by reconstructing individual genes. Here we present BioM-JEPA, a joint-embedding predictive architecture that instead predicts aggregate representations of graph-connected gene blocks defined by protein-association and corpus-derived coexpression evidence. A student network infers each target-block representation from the remaining genes in a cell, while a slowly updated teacher supplies the corresponding target from the full observed gene set. Under the reported extraction procedure, block-level prediction produced embeddings with higher effective rank and weaker association with detected-gene depth in the tested diagnostics than token-prediction, random-block and reconstruction controls. Across CellBench tasks, frozen BioM-JEPA embeddings retained expression, pathway and neighbourhood information and achieved the lowest aggregate perturbation-response error among the evaluated models. Representation diagnostics were also consistent with canonical pancreatic programmes and compositional relationships between genetic perturbations. Linear attention avoids constructing a quadratic gene-by-gene attention matrix; in a matched one-epoch hPancreas experiment at batch size 8, BioM-JEPA provided 5.75-fold higher fine-tuning throughput and 3.76-fold higher held-out embedding throughput than scFoundation. Together, these results support graph-connected gene blocks as useful prediction units for JEPA-style representation learning in single-cell biology.
• Abstract（参考訳）: 単細胞トランスクリプトーム(英: Single-cell transcriptomes)は、調整された生物学的プログラムのスパースな観察であるが、ほとんどの自己制御モデルは、個々の遺伝子を再構成することによって学習する。 ここでは、タンパク質結合とコーパス由来の共発現エビデンスによって定義されるグラフ連結遺伝子ブロックの集合表現を予測する、共同埋め込み予測アーキテクチャであるBioM-JEPAを紹介する。 学生ネットワークは、セル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し、ゆっくりと更新された教師は、全観察された遺伝子セットから対応するターゲットを供給する。 報告された抽出法では, ブロックレベルの予測により, 検出された遺伝子深度と検出された遺伝子深度との関係が, トークン予測, ランダムブロック, 再構成制御よりも低くなった。 CellBenchタスク全体では,凍結したBioM-JEPA埋め込みは表現,経路,周辺情報を保持し,評価されたモデルの中で最も低い摂動応答誤差を達成した。 表現診断は、標準膵プログラムと遺伝的摂動の組成関係とも一致していた。 リニアアテンションは、二次的な遺伝子・バイ・ジーンアテンションマトリックスの構築を回避し、マッチした1エポックなhPancreas実験では、バッチサイズ8で、BioM-JEPAは5.75倍の微細チューニングスループットと3.76倍のホールドアウト埋め込みスループットを提供した。 これらの結果は、単一細胞生物学におけるJEPAスタイルの表現学習に有用な予測単位として、グラフ接続された遺伝子ブロックをサポートする。

関連論文リスト

• Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views [8.738986684868424]
  相補的な転写学的な視点から細胞表現を学習する対照的な事前学習フレームワークを提案する。 本研究では,共同発現誘導遺伝子パーティショニング,表現認識コントラストセット構築,コントラストオンセットという3次元の具体的適応を導入する。
  論文  参考訳（メタデータ） (2026-08-02T04:35:45Z)
• BRIDGE: Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks [25.29216866424431]
  遺伝子制御ネットワーク(BRIDGE)のためのバイオエビデンス・リファインメントと異種動的ゲーティングという革新的なフレームワークを提案する。 BRIDGEは、発現マトリックスとそのマトリックス双対から遺伝子および細胞表現を抽出し、自己と隣人の間の遺伝子空間と細胞空間においてコントラスト学習を行う。 その後、遺伝子と細胞間の情報伝達を適応的に制御するために異種ゲートエンコーディングを適用し、堅牢な転写因子からターゲットへの遺伝子予測を可能にする。
  論文  参考訳（メタデータ） (2026-06-02T11:54:36Z)
• Graph Transformer-Based Pathway Embedding for Cancer Prognosis [12.185038682072213]
  本稿では,遺伝子組換え戦略であるPATHを紹介する。 PATHは、各遺伝子に対する共有塩基の埋め込みから始めることでパラダイムシフトを表す。 PATHのF1スコアは0.8766で、現在のSOTAマルチオミクスベンチマークよりも8.8%改善している。
  論文  参考訳（メタデータ） (2026-04-17T20:41:58Z)
• Progressive Multi-Agent Reasoning for Biological Perturbation Prediction [32.71169480836875]
  複雑な化学摂動下での標的遺伝子の制御を予測するための新しいベンチマークであるLINCSQAを提案する。 また,PBio-Agentを提案する。PBio-Agentは,難易度を考慮したタスクシークエンシングと反復的知識の洗練を統合したマルチエージェントフレームワークである。 私たちの重要な洞察は、同じ摂動によって影響を受ける遺伝子は因果構造を共有しており、自信を持って予測された遺伝子がより困難なケースを文脈化できるということです。
  論文  参考訳（メタデータ） (2026-02-07T06:59:44Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• Interpretable Perturbation Modeling Through Biomedical Knowledge Graphs [2.9275990558029075]
  マルチモーダル・埋め込みは バイオメディカル・ナレッジ・グラフに統合されます 薬物細胞対のランドマーク遺伝子のデルタ表現プロファイルを学習するために,グラフアテンションネットワークを訓練する。 我々の枠組みは、メカニスティックな薬物モデリングへの道筋を提供する。
  論文  参考訳（メタデータ） (2025-12-24T04:42:25Z)
• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• 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)
• CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-phenotype Associations [6.5678927417916455]
  我々は、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、コントラスト符号付きグラフ拡散ネットワーク(CSGDN)を提案する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2024-10-10T01:01:10Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• 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)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)

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。