論文の概要: PopPert: Population-level Joint-Distribution Modeling for Single-Cell Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2609.01357v1
• Date: Tue, 01 Sep 2026 14:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.787778
• Title: PopPert: Population-level Joint-Distribution Modeling for Single-Cell Perturbation Prediction
• Title（参考訳）: PopPert:シングルセル摂動予測のための人口レベルの共同分布モデル
• Authors: Handong Wang, Jiaxin Qi, Haochen Feng, Baisheng Lai,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.491072730946158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting transcriptional responses to specific perturbations is critical for understanding cellular regulatory mechanisms and accelerating drug discovery. Single-cell RNA sequencing destroys each measured cell, yielding only unpaired populations of control and perturbed cells. However, existing methods typically model perturbation prediction at the single-cell level and assume cell-to-cell correspondence, which conflicts with the unpaired nature of the observed data. To address this challenge, we propose PopPert, a framework that explicitly parameterizes population-level joint gene expression distributions for collective transcriptional state modeling. Given a control population distribution and a perturbation condition, PopPert predicts perturbation-induced changes in distribution parameters, eliminating the need for cell-level correspondence and reducing sensitivity to single-cell noise. To effectively capture gene co-expression patterns, PopPert leverages a low-rank Gaussian Copula to model cross-gene statistical dependencies and construct the joint gene expression distribution, additionally allowing sampling of synthetic perturbed single-cell profiles. Across multiple single-cell benchmarks spanning both genetic and chemical perturbations, PopPert achieves superior overall performance in differential expression recovery, perturbation effect estimation, and population-level distribution matching. These results establish population-level joint distribution learning as an effective paradigm for predicting transcriptional responses from unpaired single-cell populations. Code for PopPert is publicly available at https://github.com/whd1125/PopPert.
• Abstract（参考訳）: 特定の摂動に対する転写反応の予測は、細胞制御機構を理解し、薬物発見を加速するために重要である。 単細胞RNAシークエンシングは、各測定された細胞を破壊し、制御された細胞と摂動された細胞の未成熟な個体群のみを生成する。 しかし、既存の手法は通常、単細胞レベルで摂動予測をモデル化し、観測されたデータの未経験の性質と矛盾する細胞間対応を仮定する。 そこで我々はPopPertを提案する。PopPertは集団的転写状態モデリングのための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。 制御集団分布と摂動条件が与えられた場合、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し、セルレベルの対応の必要性を排除し、単一セルノイズに対する感受性を低下させる。 PopPertは、遺伝子共発現パターンを効果的に捉えるために、低ランクのガウスコピュラを利用して、クロスジェネティックな依存関係をモデル化し、結合した遺伝子発現分布を構築し、さらに合成摂動単細胞プロファイルのサンプリングを可能にする。 遺伝的および化学的摂動にまたがる複数の単細胞ベンチマークにおいて、PopPertは、差分式回復、摂動効果の推定、集団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。 これらの結果は,未熟な単一細胞集団からの転写応答を予測するための効果的なパラダイムとして,集団レベルの共同分布学習を確立した。 PopPertのコードはhttps://github.com/whd1125/PopPert.comで公開されている。

関連論文リスト

• DeMixPert: Decomposed Response Modeling with Gaussian Mixtures for OOD Single-Cell Perturbation Prediction [26.226209353577005]
  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。
  論文  参考訳（メタデータ） (2026-08-24T11:24:17Z)
• PerturbCellRL: Verifier-Guided Reinforcement Learning for Single-Cell Perturbation Prediction [28.013973806760976]
  単細胞摂動モデルは、細胞が介入にどのように反応するかを予測することによって、コストのかかるウェットラブスクリーニングを減らすことができる。 PerturbCellRLは、事前訓練された単細胞転写生成器をポストトレーニングする強化学習フレームワークである。 複数の遺伝的および化学的摂動ベンチマークを用いてPerturbCellRLを評価した。
  論文  参考訳（メタデータ） (2026-06-26T06:15:04Z)
• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• PerturbDiff: Functional Diffusion for Single-Cell Perturbation Modeling [32.464109652332915]
  PerturbDiffは、個々の細胞から分布全体へモデリングをシフトする。 PerturbDiffは、単一セル応答予測における最先端のパフォーマンスを実現し、目に見えない摂動をはるかに良く一般化する。
  論文  参考訳（メタデータ） (2026-02-23T10:28:56Z)
• 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)
• 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)
• 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)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)

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。