論文の概要: Biology-in-the-loop: Amortized Adaptive Hit Discovery in CRISPR Screens

• arxiv url: http://arxiv.org/abs/2609.11877v1
• Date: Thu, 10 Sep 2026 17:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.473953
• Title: Biology-in-the-loop: Amortized Adaptive Hit Discovery in CRISPR Screens
• Title（参考訳）: CRISPRスクリーンでアダプティブ・ヒットを発見できる「Biology-in-the-loop」
• Abstract要約: 我々は5つの表現型カテゴリにわたる1,389個のCRISPRスクリーンからなる適応的ヒット発見のための大規模ベンチマークを導入する。 このリソースに基づいて構築されたAssayLoopは、実験的なフィードバックから適応するために、歴史的スクリーンにまたがってトレーニングされたトランスフォーマーベースのアモータイズされた取得ポリシーであるAssayFormerを組み合わせたシーケンシャルな実験設計フレームワークである。 時間的に保留された画面では、AssayLoopはランダム選択よりも5.67倍のリッチ化を実現し、候補ライブラリの約5%を測定した後、27.7%のヒットを回復する。
• 参考スコア（独自算出の注目度）: 22.131233442705284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many biological discovery problems require experiments to be selected sequentially under constrained budgets. CRISPR screening is a prominent example, as exhaustive perturbation testing is often infeasible and candidate perturbations must instead be prioritized over multiple experimental rounds. Despite the importance of this problem, existing benchmarks for adaptive hit discovery remain limited in scale and diversity. Here, we introduce AssayBench-Loop, a large-scale benchmark for adaptive hit discovery comprising 1,389 CRISPR screens across five phenotype categories. Beyond enabling systematic evaluation, its scale makes it possible to learn acquisition strategies across historical experiments. Building on this resource, we introduce AssayLoop, a sequential experimental design framework combining AssayFormer, a transformer-based amortized acquisition policy trained across historical screens to adapt from experimental feedback, with LLM-derived biological priors through an adaptive handoff. In this view, completed experiments become training data for learning how accumulated evidence should guide what to test next, while LLMs provide prior biological knowledge to seed the search. We further introduce AssayLLM, showing that the same principle can be extended directly to an LLM through task-specific post-training. On temporally held-out screens, AssayLoop achieves a 5.67-fold enrichment over random selection and recovers 27.7% of hits after assaying approximately 5% of the candidate library, outperforming existing adaptive-design methods and standalone LLMs, and AssayFormer alone. Performance improves with increasing historical training data and transfers to phenotype categories excluded from training. These results demonstrate the value of learning acquisition policies across historical experiments and combining them with broad biological priors for efficient adaptive hit discovery.
• Abstract（参考訳）: 多くの生物学的発見問題は、制約された予算の下で順次選択される実験を必要とする。 CRISPRスクリーニングは顕著な例であり、徹底的な摂動テストはしばしば実現不可能であり、候補摂動は複数の実験ラウンドよりも優先されなければならない。 この問題の重要性にもかかわらず、適応的ヒット発見のための既存のベンチマークは、スケールと多様性において制限されている。 本稿では,5つの表現型カテゴリにわたる1,389個のCRISPRスクリーンからなる適応的ヒット発見のための大規模ベンチマークであるAssayBench-Loopを紹介する。 体系的な評価を可能にするだけでなく、その規模は歴史的実験全体にわたって獲得戦略を学ぶことができる。 このリソースをベースとしたAssayLoopは、過去のスクリーンにまたがってトレーニングされたトランスフォーマーベースのアモータイズされた取得ポリシーであるAssayFormerと、適応的なハンドオフを通じてLLM由来の生物学的前駆体を組み合わせたシーケンシャルな実験設計フレームワークである。 この観点では、完成した実験は、どのように蓄積された証拠が次に何をテストするべきかを学習するためのトレーニングデータとなり、LSMは、探索をシードするための事前の生物学的知識を提供する。 さらに, AssayLLMを導入し, タスク固有のポストトレーニングを通じて, 同じ原理を LLM に直接拡張可能であることを示す。 時間的にホールドアウトされた画面では、AssayLoopはランダム選択よりも5.67倍のリッチ化を実現し、候補ライブラリの約5%を計測し、既存のアダプティブ設計法とスタンドアロンのLCMを上回り、AssayFormer単独で27.7%のヒットを回復する。 履歴トレーニングデータの増加と、トレーニングから除外された表現型カテゴリへの転送により、パフォーマンスが向上する。 これらの結果は, 歴史的実験にまたがる学習獲得政策の価値を実証し, 適応的ヒット発見を効果的に行うために, 幅広い生物学的先行要因と組み合わせたものである。

関連論文リスト

• DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
  我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。 私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
  論文  参考訳（メタデータ） (2026-07-13T08:19:09Z)
• Closing the Domain Gap in Biomedical Imaging by In-Context Control Samples [10.63308864404537]
  バイオメディカルイメージングにおけるバッチ効果は、生物学的興味のシグナルとは無関係な系統的な技術的変化である。 負の制御サンプルを利用するメタラーニング適応法であるBatch Normalization (CS-ARM-BN) による制御安定化適応型リスク最小化を提案する。 本研究は, バイオイメージングデータにおけるバッチ効果を, 原理的インコンテキスト適応により効果的に中和できることを示す。
  論文  参考訳（メタデータ） (2026-04-22T17:49:00Z)
• Coreset selection based on Intra-class diversity [4.638022690041187]
  近年の研究では、Deep Learningモデルをトレーニングするための2つの異なるアプローチが採用されている。 データセットのサイズが大きくなるにつれて、この問題に対する解決策を探究する研究コミュニティが最近注目を集めている。 そこで本研究では,クラス内の多様性を抽出し,最終サンプリングに利用したクラスごとのクラスタを生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-23T12:45:53Z)
• How Many Pretraining Tasks Are Needed for In-Context Learning of Linear Regression? [92.90857135952231]
  様々なタスクで事前訓練されたトランスフォーマーは、顕著なインコンテキスト学習(ICL)能力を示す。 線形回帰のための線形パラメータ化単一層線形アテンションモデルの事前学習を行う。
  論文  参考訳（メタデータ） (2023-10-12T15:01:43Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
  テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。 TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Machine Learning Testing in an ADAS Case Study Using Simulation-Integrated Bio-Inspired Search-Based Testing [7.5828169434922]
  Deeperは、ディープニューラルネットワークベースの車線保持システムをテストするための障害検出テストシナリオを生成する。 新たに提案されたバージョンでは、新しいバイオインスパイアされた検索アルゴリズム、遺伝的アルゴリズム(GA)、$(mu+lambda)$および$(mu,lambda)$進化戦略(ES)、およびParticle Swarm Optimization(PSO)を利用する。 評価の結果,Deeperで新たに提案したテストジェネレータは,以前のバージョンよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-22T20:27:40Z)
• Active Learning-Based Optimization of Scientific Experimental Design [1.9705094859539976]
  Active Learning(AL)は、ラベル付きトレーニングインスタンスを少なくすることで、より精度の高い機械学習アルゴリズムである。 本稿では,提案したALスキームを用いた薬物応答データセットの振り返り研究を行う。 これは、手動で設定するのではなく、科学的な実験設計がALによって最適化可能であることを示している。
  論文  参考訳（メタデータ） (2021-12-29T20:02:35Z)
• Object classification from randomized EEG trials [9.745889092027557]
  新しい結果は、画像刺激によって誘発される人間の脳活動の分類の可能性に強い限界があることを示唆している。 私たちの知る限り、これは単一の主題から得られる脳波データ収集における最大の取り組みであり、実現可能性の限界にあります。
  論文  参考訳（メタデータ） (2020-04-09T22:06:11Z)

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。