Fugu-MT 論文翻訳(概要): DeMixPert: Decomposed Response Modeling with Gaussian Mixtures for OOD Single-Cell Perturbation Prediction

論文の概要: DeMixPert: Decomposed Response Modeling with Gaussian Mixtures for OOD Single-Cell Perturbation Prediction

arxiv url: http://arxiv.org/abs/2608.23114v1
Date: Mon, 24 Aug 2026 11:24:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:44.033706
Title: DeMixPert: Decomposed Response Modeling with Gaussian Mixtures for OOD Single-Cell Perturbation Prediction
Title（参考訳）: DeMixPert:OOD単セル摂動予測のためのガウス混合による分解応答モデリング
Abstract要約: DeMixPertは摂動によって引き起こされる系統的応答、摂動特異的応答、集団レベルの変動に分解する。実験により、DeMixPertは不均一な単一セルの摂動応答を効果的に捉え、目に見えない摂動設定で優れたパフォーマンスを達成することが示された。
参考スコア（独自算出の注目度）: 26.226209353577005
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Predicting transcriptome-wide responses to unseen genetic perturbations remains a major computational challenge because accurate prediction requires recovering both perturbation-specific transcriptional shifts and heterogeneous cellular responses. Existing methods often entangle deterministic response structure with stochastic population-level variation, causing dominant shared patterns to mask weaker perturbation-specific signals and impair distributional modeling. To address these challenges, we propose \textbf{DeMixPert}, an approach for Decomposed response Modeling with Gaussian Mixtures for Out-Of-Distribution (OOD) single-cell Perturbation prediction. DeMixPert decomposes perturbation-induced changes into a basal-state-dependent systematic response, a perturbation-specific response, and population-level variation. The systematic component is derived from the basal state encoded from control-cell expression, whereas the perturbation-specific component is inferred from pretrained target embeddings for unseen-target generalization. DeMixPert models population-level variation using a Gaussian prototype Invertible Network and adaptively combines reusable Gaussian prototypes according to the basal state and perturbation condition. The resulting mixture is mapped to a condition-specific variation distribution. Sampled variations are integrated with the systematic and perturbation-specific components, followed by joint decoding with the basal state to reconstruct perturbed-cell gene expression. Experimental results show that DeMixPert effectively captures heterogeneous single-cell perturbation responses and achieves superior performance across unseen-perturbation settings. The source code is made publicly available upon publication.
Abstract（参考訳）: 正確な予測には、摂動特異的な転写シフトと不均一な細胞応答の両方を回復する必要があるため、未知の遺伝的摂動に対するトランスクリプトーム全体の反応を予測することは、依然として大きな計算課題である。既存の方法は、しばしば確率的集団レベルの変動を伴う決定論的応答構造を絡み合わせることがあり、支配的な共有パターンは、より弱い摂動特異的信号と不適切な分布モデリングを隠蔽する。これらの課題に対処するために, 単一セル摂動予測のためのガウス混合を用いた分解応答モデリング法である textbf{DeMixPert} を提案する。 DeMixPertは摂動によって引き起こされる基底状態依存性の系統的応答、摂動特異的応答、集団レベルの変動に分解する。系統的成分は制御細胞の発現から符号化された基底状態から導かれるが、摂動特異的成分は、未確認ターゲットの一般化のために予め訓練されたターゲット埋め込みから推測される。 DeMixPert はガウスのプロトタイプ Invertible Network を用いて個体群レベルの変動をモデル化し、基本状態と摂動条件に応じて再利用可能なガウスのプロトタイプを適応的に組み合わせる。得られた混合物は条件特異的な変動分布にマッピングされる。サンプリングされた変異は、系統的および摂動特異的成分と統合され、続いて基底状態との結合復号を行い、摂動細胞遺伝子発現を再構成する。実験結果から,DeMixPertは不均一な単一セル摂動応答を効果的に捕捉し,目に見えない摂動設定で優れた性能を実現することが示された。ソースコードは公開時に公開されている。

関連論文リスト

Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
論文参考訳（メタデータ） (2026-09-14T09:39:13Z)
PopPert: Population-level Joint-Distribution Modeling for Single-Cell Perturbation Prediction [17.491072730946158]
そこで我々はPopPertを提案する。PopPertは集団レベルの共同遺伝子発現分布を明示的にパラメータ化するフレームワークである。制御された人口分布と摂動条件から、PopPertは分布パラメータの摂動によって引き起こされる変化を予測する。 PopPertは、差分式回復、摂動効果の推定、人口レベルの分布マッチングにおいて、より優れた全体的な性能を達成する。
論文参考訳（メタデータ） (2026-09-01T14:59:03Z)
Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文参考訳（メタデータ） (2026-05-28T13:26:53Z)
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)
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)
End-To-End Learning of Gaussian Mixture Priors for Diffusion Sampler [15.372235873766812]
学習可能な混合前駆体は、探索の制御を改善し、目標支援への適応性を高め、モード崩壊に対抗するために増強する。実験結果から,様々な実環境および総合的なベンチマーク問題に対して,大幅な性能向上が得られた。
論文参考訳（メタデータ） (2025-03-01T14:58:14Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。この問題を緩和するための一般的な2段階戦略を提案する。
論文参考訳（メタデータ） (2022-12-05T08:09:33Z)
GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文参考訳（メタデータ） (2020-09-24T19:34:37Z)
Mixture Representation Learning with Coupled Autoencoders [1.589915930948668]
我々は、cpl-mixVAEと呼ばれる複数の相互作用ネットワークを用いた教師なし変分フレームワークを提案する。このフレームワークでは、各ネットワークの混合表現は、離散因子にコンセンサス制約を課すことで正規化される。提案手法を用いて,単細胞転写データセットにおける遺伝子発現を記述した変数の離散的・連続的因子を共同で発見する。
論文参考訳（メタデータ） (2020-07-20T04:12:04Z)

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。