Fugu-MT 論文翻訳(概要): $D^{2}R^{2}$: Discrete Diffusion with Regulation Reinforcement for Single-Cell Perturbation Prediction

論文の概要: $D^{2}R^{2}$: Discrete Diffusion with Regulation Reinforcement for Single-Cell Perturbation Prediction

arxiv url: http://arxiv.org/abs/2608.15288v1
Date: Sat, 15 Aug 2026 15:34:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.249581
Title: $D^{2}R^{2}$: Discrete Diffusion with Regulation Reinforcement for Single-Cell Perturbation Prediction
Title（参考訳）: D^{2}R^{2}$:シングルセル摂動予測のための制御強化による離散拡散
Abstract要約: textbf$D2R2$ textbfRegulation textbfReinforcement textbf$D2R2$ textbf$D2R2$
参考スコア（独自算出の注目度）: 10.672063259536285
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting single-cell transcriptomic responses to genetic perturbations is central to functional genomics and virtual-cell modeling. Existing approaches, however, typically predict an entire expression profile as a whole, leaving the order in which individual gene responses are generated unmodeled. To address this problem, we introduce \textbf{$D^{2}R^{2}$} (\textbf{D}iscrete \textbf{D}iffusion with \textbf{R}egulation \textbf{R}einforcement), which reformulates perturbation prediction as regulation-guided gene-wise progressive generation. A Masked Discrete Diffusion Model represents expression as ordinal tokens and reconstructs a fully masked profile step by step, allowing generated gene responses to condition those that remain masked. A Regulatory Policy Module initializes the generation policy from a gene regulatory network inferred from control cells and adapts it to the perturbation and current partially generated state. Then, group-relative policy optimization refines only the ordering policy using final perturbation-effect agreement as reward. Across Norman19 and VCC-H1, $D^{2}R^{2}$ achieves the best performance on all five metrics on Norman19 and remains competitive on H1. Controlled ablations holding the generator and generation budget fixed show that biological-prior ordering improves over random ordering and is more reliable than uncertainty-based heuristics, whereas reversing the biological-prior ordering degrades every metric. Biological analyses further show that the refined policy prioritizes regulatory genes early while promoting perturbation-specific transcription factors and responsive genes. These results establish gene generation order as an effective, controllable, and biologically interpretable dimension of single-cell perturbation prediction.
Abstract（参考訳）: 遺伝子摂動に対する単細胞転写応答の予測は機能ゲノム学と仮想細胞モデリングの中心である。しかし、既存のアプローチでは、通常、全体の表現プロファイルを予測し、個々の遺伝子応答が非モデルで生成される順序を残す。この問題に対処するために, 摂動予測を制御誘導遺伝子ワイドプログレッシブ生成として再構成する, \textbf{$D^{2}R^{2}$} (\textbf{D}iscrete \textbf{D}iffusion with \textbf{R}egulation \textbf{R}einforcement) を導入する。 Masked Discrete Diffusion Modelは、表現を順序付きトークンとして表現し、完全にマスクされたプロファイルをステップごとに再構築することで、マスクされた状態にあるものに対する生成された遺伝子応答を可能にする。制御ポリシーモジュールは、制御細胞から推定される遺伝子制御ネットワークから生成ポリシーを初期化し、摂動及び現在の部分発生状態に適応させる。そして、グループ相対的な政策最適化は、最終的な摂動効果合意を報酬として使用した順序付け政策のみを洗練する。 Norman19とVCC-H1全体では、$D^{2}R^{2}$はNorman19の5つのメトリクスで最高のパフォーマンスを達成し、H1では競争力を維持している。ジェネレータと生成予算を固定した制御されたアブレーションは、生物学的優先順序がランダムな順序よりも改善し、不確実性に基づくヒューリスティックスよりも信頼性が高いことを示している。生物学的分析により、改良されたポリシーは、摂動特異的な転写因子と応答性遺伝子を促進しながら、早期に制御遺伝子を優先順位付けすることが示された。これらの結果は、単細胞摂動予測の効果的な、制御可能な、生物学的に解釈可能な次元として、遺伝子生成順序を確立する。

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)
DriftST: One-Step Generative Inference of Spatial Transcriptomics from H\&E Histology [11.977375064177354]
ヘマトキシリンとエオシン染色組織学から直接の発現を推定することは、費用対効果の代替となる。 H&E画像から空間的に解決された遺伝子発現を推定する統合フレームワークDriftSTを提案する。ジェネリックな遺伝子パネル表現で操作すると、DriftSTは1つのフレームワークのスポットレベルとセルレベルの両方のデータに直接適用される。
論文参考訳（メタデータ） (2026-07-06T07:22:58Z)
CisTransCell: Single-Cell Perturbation Prediction via Gene Function, Regulatory Control, and Cellular Context [10.265928519599626]
CisTransCellは単一セル摂動予測のためのセル条件のマルチモーダルフレームワークである。それぞれの遺伝子に2つの相補的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的前駆的ベンチマークシングルセル摂動データセットの実験により、CitTransCellはゼロショット摂動予測において強い性能を発揮することが示された。
論文参考訳（メタデータ） (2026-06-10T20:40:33Z)
STRAND: Sequence-Conditioned Transport for Single-Cell Perturbations [31.08466183513241]
STRANDは、制御DNA配列の条件付けによって単一細胞の応答を予測する生成モデルである。配列による摂動を表現することは、遺伝子識別子の固定セットではなく、訓練中に見えないlociでのゼロショット推論をサポートする。 K562, Jurkat, RPE1細胞におけるCRISPR摂動データセットのSTRANDを評価する。
論文参考訳（メタデータ） (2026-02-10T00:57:38Z)
scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction [12.48933770510505]
条件付きフローマッチングに基づく生成フレームワークである scDFM を提案する。 scDFMは、細胞レベルでの通信以上の個体群を混乱させ、制御する。
論文参考訳（メタデータ） (2026-02-06T17:00:21Z)
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)
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)
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)
GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。 GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2025-10-05T18:28:21Z)
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)
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)
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。