論文の概要: PertMind: Eliciting Emergent Biological Reasoning in LLM via Reinforcement Learning on Cellular Perturbation Data
- arxiv url: http://arxiv.org/abs/2608.16419v2
- Date: Sat, 22 Aug 2026 05:21:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.878122
- Title: PertMind: Eliciting Emergent Biological Reasoning in LLM via Reinforcement Learning on Cellular Perturbation Data
- Title（参考訳）: PertMind:細胞摂動データを用いた強化学習によるLDMの創発的生物学的推論
- Abstract要約: 本稿では、信頼軌道制御初期化と、遺伝子、経路、フォーマットレベルの強化信号を組み合わせたPertMindを紹介する。
PertMindは、一般的な言語機能を維持しながら、目に見えないセルコンテキストでの応答推論を改善した。
また、タスク固有のポストトレーニングなしで逆摂動同定、二重摂動推論、表現型画面優先化、生物学的プロセス解釈に移行した。
- 参考スコア（独自算出の注目度）: 19.246190225837665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models can describe mechanisms, yet scalable post-training still depends on costly, manually curated biological reasoning traces. Here we show that cellular perturbation atlases can instead become reinforcement-learning environments, where measured gene responses provide computable rewards for biological reasoning. We introduce PertMind, which combines trusted-trajectory supervised initialization with gene-, pathway-, and format-level reinforcement signals. Trained only on forward perturbation-response prediction, PertMind improved response inference in unseen cellular contexts while retaining general language capabilities. It also transferred without task-specific post-training to reverse perturbation identification, double-perturbation reasoning, phenotypic-screen prioritization, and biological-process interpretation. PertMind further generated biological profiles that supported competitive gene, cell, and donor representations across multiscale downstream tasks. These results support the hypothesis that reinforcement on experimental endpoints can concentrate reusable biological strategies already accessible to pretrained models. More broadly, perturbation-derived reinforcement learning offers a scalable route for transforming expanding experimental atlases into training environments for general-purpose biological reasoning.
- Abstract（参考訳）: 大規模言語モデルはメカニズムを記述できるが、スケーラブルなポストトレーニングはまだコストがかかる、手作業による生物学的推論トレースに依存している。
ここでは、細胞摂動のアトラスが強化学習環境となり、測定された遺伝子応答が生物学的推論に対して計算可能な報酬を与えることを示す。
本稿では、信頼軌道制御初期化と、遺伝子、経路、フォーマットレベルの強化信号を組み合わせたPertMindを紹介する。
PertMindは、前方摂動応答予測のみに基づいて訓練され、一般的な言語能力を維持しながら、目に見えない細胞コンテキストでの応答推論を改善した。
また、タスク固有のポストトレーニングなしで逆摂動同定、二重摂動推論、表現型画面優先化、生物学的プロセス解釈に移行した。
PertMindはさらに、マルチスケールダウンストリームタスク間の競合遺伝子、細胞、ドナー表現をサポートする生物学的プロファイルを生成した。
これらの結果は、実験的なエンドポイントの強化が、既に事前訓練されたモデルにアクセスできる再利用可能な生物学的戦略に集中できるという仮説を支持している。
より広範に、摂動による強化学習は、実験アトラスを汎用的な生物学的推論のための訓練環境に変換するためのスケーラブルな経路を提供する。
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) - PhageBench: Can LLMs Understand Raw Bacteriophage Genomes? [2.9367295285731285]
細菌ファージは微生物の生態系の調節や抗生物質の代替に重要な役割を果たしている。
PhageBenchは、バイオインフォマティクスの専門家のワークフローを反映してファージのゲノム理解を評価するために設計された最初のベンチマークである。
論文 参考訳（メタデータ） (2026-04-07T12:14:23Z) - 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) - SciHorizon-GENE: Benchmarking LLM for Life Sciences Inference from Gene Knowledge to Functional Understanding [30.790301729371475]
大規模言語モデル (LLM) は、特に知識駆動型解釈タスクにおいて、生物医学研究において期待が高まりつつあることを示している。
SciHorizon-GENE(SciHorizon-GENE)は、生物データベースから構築された大規模遺伝子中心のベンチマークである。
このベンチマークは、190万以上のヒト遺伝子に対するキュレートされた知識を統合し、多様な遺伝子から機能への推論シナリオをカバーする540万以上の質問を含んでいる。
論文 参考訳（メタデータ） (2026-01-19T08:06:35Z) - BioReason: Incentivizing Multimodal Biological Reasoning within a DNA-LLM Model [12.528834366422466]
BioReasonは論理的、生物学的に一貫性のある還元物を生成することを学ぶ。
KEGGによる疾患経路予測の精度は86%から98%に向上する。
また、強いベースラインよりも平均15%の変動効果予測を改善する。
論文 参考訳（メタデータ） (2025-05-29T15:49:27Z) - TxPert: Leveraging Biochemical Relationships for Out-of-Distribution Transcriptomic Perturbation Prediction [11.083533122552396]
我々は、複数の生物学的知識ネットワークを活用してOODシナリオ下での応答を予測する新しい最先端手法であるTxPertを提案する。
特に,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>,<i>TxPert</i>。
論文 参考訳（メタデータ） (2025-05-20T21:13:23Z) - Contextualizing biological perturbation experiments through language [3.704686482174365]
PerturbQAは摂動実験に対する構造化推論のベンチマークである。
我々は、摂動をモデル化するための最先端の機械学習と統計的アプローチを評価する。
本稿では,サマー(SUMMarize,retrievE, answeR),シンプルなドメインインフォームドLLMフレームワークを紹介する。
論文 参考訳（メタデータ） (2025-02-28T18:15:31Z) - BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。
CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。
そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文 参考訳（メタデータ） (2025-02-23T17:38:10Z) - 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) - BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。
BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。
6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文 参考訳（メタデータ） (2024-05-27T19:57:17Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z)
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。