論文の概要: Conditional Neural Optimal Transport for Predicting Cellular Phenotypes from Molecular Structure

• arxiv url: http://arxiv.org/abs/2608.14293v1
• Date: Fri, 14 Aug 2026 13:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.388961
• Title: Conditional Neural Optimal Transport for Predicting Cellular Phenotypes from Molecular Structure
• Title（参考訳）: 分子構造からの細胞型予測のための条件付きニューラルトランスポート
• Abstract要約: 画像表現空間における誘導的条件伝達問題として分子誘起表現型予測を定式化する。 本稿では,分子調和型ニューラル最適輸送モデルを提案する。 NOTは、顕微鏡関連技術変化を減少させながら、分子特異的な表現型効果を回復する。
• 参考スコア（独自算出の注目度）: 1.4199474167684114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-content microscopy enables systematic profiling of cellular responses to chemical perturbations, but the scale of the chemical space makes exhaustive phenotypic characterization experimentally infeasible. This motivates computational models that can predict image-derived phenotypes without acquiring the corresponding treated cells. We formulate molecule-induced phenotype prediction as an inductive conditional transport problem in image representation space. Given a negative-control phenotype and the structure of a molecule, we aim to predict the phenotype induced by the corresponding molecule. We first evaluate classical optimal transport baselines and show that static couplings do not yield useful predictions on large-scale phenotypic image datasets. We then introduce a molecule-conditioned Neural Optimal Transport (NOT) model with a Monge-Gap regularization training objective that learns to transport negative-control unperturbed phenotypes toward perturbed phenotypes using molecular structure as conditioning information. NOT recovers molecule-specific phenotypic effects while reducing microscopy-associated technical variation, thereby facilitating comparisons across experimental batches. On unseen active molecules, the model outperforms baseline approaches, demonstrating that chemically conditioned transport can generalize beyond the molecules observed during training. We identified the molecular encoder as the main limitation to this generalization, while transport in a compressed representation space improves performance and scalability. These results establish NOT as a promising framework for predicting cellular phenotypes from molecular structure and negative-control phenotypes, while highlighting the development of more informative molecular representations as a key direction for improving out-of-distribution performance.
• Abstract（参考訳）: 高濃度顕微鏡は、化学摂動に対する細胞応答の体系的なプロファイリングを可能にするが、化学空間のスケールは、実験的に表現学的特徴を徹底的に実現不可能にする。 これは、対応する処理細胞を取得することなく、画像由来の表現型を予測できる計算モデルを動機付けている。 画像表現空間における誘導的条件伝達問題として分子誘起表現型予測を定式化する。 負制御表現型と分子の構造が与えられた場合、対応する分子によって誘導される表現型を予測することを目的としている。 まず、古典的最適輸送ベースラインの評価を行い、静的結合が大規模表現型画像データセット上で有用な予測を下さないことを示す。 次に、分子構造を条件付け情報として、負制御未摂動表現型を摂動表現型へ輸送することを学ぶMonge-Gap正規化学習目標を用いた分子条件ニューラル最適輸送(NOT)モデルを導入する。 NOTは、顕微鏡関連技術変化を低減しながら分子特異的な表現型効果を回復し、実験バッチ間の比較を容易にする。 目に見えない活性分子では、このモデルはベースラインのアプローチよりも優れており、化学的に条件付けられた輸送が訓練中に観察された分子を超えて一般化できることを実証している。 我々は,分子エンコーダをこの一般化の主な限界として同定し,圧縮された表現空間における輸送により性能とスケーラビリティが向上した。 これらの結果は、NOTを分子構造および負制御表現型から細胞性表現型を予測するための有望なフレームワークとして確立し、さらに情報的分子表現の発達を、アウト・オブ・ディストリビューション性能を向上させるための鍵となる方向として強調した。

関連論文リスト

• Learning Molecular Representations from Cellular Phenotypes with Structure Preservation [13.321582594948218]
  PhenMolは表現型認識型分子表現学習のための構造保存フレームワークである。 分子近傍の組織を混乱させることなく、細胞性表現型情報を統合する。 これらの結果は,マルチモーダル分子表現学習における構造認識制約の重要性を強調した。
  論文  参考訳（メタデータ） (2026-08-03T08:33:54Z)
• PhenoMoler: Phenotype-Guided Molecular Optimization via Chemistry Large Language Model [9.301996807475282]
  フェノモラーは化学的に有効で、新規で多様な分子を所望の表現型プロファイルに沿って生成する。 FDAが承認した薬物と比較すると、生成された化合物は、同等または強化された薬物類似性(QED)、最適化された物理化学的性質、および主要ながん標的に対する優れた結合親和性を示す。
  論文  参考訳（メタデータ） (2025-09-25T09:37:19Z)
• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• How Molecules Impact Cells: Unlocking Contrastive PhenoMolecular Retrieval [6.77417215041515]
  分子構造と微視的表現実験の結合潜時空間を学習し、対のサンプルを対照的な学習と整列する。 我々は、これまでの最先端技術と比較して、ゼロショット分子の検索が8.1倍向上し、トップ1%の精度で77.33%に達したことを実証した。 これらの結果は、仮想フェノミクススクリーニングに機械学習を適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-09-10T18:16:27Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Graph Diffusion Transformers for Multi-Conditional Molecular Generation [16.58392955245203]
  多条件分子生成のためのグラフ拡散変換器(Graph DiT)を提案する。 Graph DiTはエンコーダを統合し、数値的および分類的プロパティ表現とTransformerベースのデノイザを学習する。 その結果、分布学習から分子特性の条件制御まで、9つの指標にまたがるグラフDiTの優位性が示された。
  論文  参考訳（メタデータ） (2024-01-24T23:45:31Z)
• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)
• Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
  メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。 本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
  論文  参考訳（メタデータ） (2021-06-14T10:00:39Z)
• Physics-Constrained Predictive Molecular Latent Space Discovery with Graph Scattering Variational Autoencoder [0.0]
  我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。 モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
  論文  参考訳（メタデータ） (2020-09-29T09:05:27Z)

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。