論文の概要: CellRFT: Reinforcement Fine-Tuning for Single-Cell Perturbation Modeling

• arxiv url: http://arxiv.org/abs/2609.19970v1
• Date: Thu, 17 Sep 2026 09:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.206394
• Title: CellRFT: Reinforcement Fine-Tuning for Single-Cell Perturbation Modeling
• Title（参考訳）: CellRFT:シングルセル摂動モデリングのための強化微細チューニング
• Abstract要約: 既存のモデルは一般に、評価に使用される生物学的基準を直接反映しない代理損失を最適化する。 生体評価をダイレクトトレーニングフィードバックとして利用する強化微調整フレームワークである textbfCellRFT を紹介する。
• 参考スコア（独自算出の注目度）: 24.04117005174368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting cellular responses to perturbations supports the study of gene function, disease mechanisms, and therapeutic strategies. Despite advances in single-cell perturbation modeling, existing models typically optimize surrogate losses that do not directly reflect the biological criteria used for evaluation, so better data fitting need not yield better biological predictions. To address this mismatch, we introduce \textbf{CellRFT}, a reinforcement fine-tuning framework that uses biological evaluation as direct training feedback. CellRFT uses policy-gradient optimization to learn from non-differentiable evaluations of generated cell populations and integrates multiple biological rewards through hierarchical reward aggregation. Comprehensive experiments demonstrate CellRFT's applicability across different pretrained models and effectiveness in improving perturbation prediction, reveal that optimizing one biological criterion can help or hinder others, and show that complementary rewards can improve criteria beyond those directly optimized, offering a way to probe how biological metrics shape model behavior, with the potential to inform evaluation design. Code will be made available.
• Abstract（参考訳）: 摂動に対する細胞応答の予測は、遺伝子機能、疾患機構、治療戦略の研究を支援する。 単細胞摂動モデリングの進歩にもかかわらず、既存のモデルは一般に、評価に使用される生物学的基準を直接反映しない代理損失を最適化する。 このミスマッチに対処するために,生体評価を直接的なトレーニングフィードバックとして利用する強化微調整フレームワークである \textbf{CellRFT} を導入する。 CellRFTは、細胞集団の非分化性評価から学習するためにポリシー段階の最適化を使用し、階層的な報酬アグリゲーションを通じて複数の生物学的報酬を統合する。 総合的な実験は、様々な事前訓練されたモデルにまたがるCellRFTの適用性と摂動予測の改善効果を実証し、一つの生物学的基準の最適化が他のモデルに影響を与えたり妨げたりすることを明らかにし、補完的な報酬が直接最適化されたモデルを超えて基準を改善できることを示した。 コードは利用可能になる。

関連論文リスト

• 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)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• Attribution assignment for deep-generative sequence models enables interpretability analysis using positive-only data [3.246305861471588]
  生成機械学習モデルは、望ましい性質に富んだ生物配列の広い空間を効率的に探索することで、治療設計のための強力なフレームワークを提供する。 正のラベル付きデータと負のラベル付きデータの両方を必要とする教師付き学習法とは異なり、LSTMのような生成モデルは、正のラベル付きシーケンスのみに基づいて訓練することができる。 生成モデルへの帰属方法の欠如は、そのようなモデルから解釈可能な生物学的洞察を抽出する能力を妨げている。 本研究では,GAMA(Generative Attribution Metric Analysis)を開発した。
  論文  参考訳（メタデータ） (2025-06-29T10:50:46Z)
• 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)
• Efficient Fine-Tuning of Single-Cell Foundation Models Enables Zero-Shot Molecular Perturbation Prediction [0.9433990107181004]
  本研究では,数千万の単細胞上で事前学習した単一細胞基盤モデル(FM)を利用する。 本稿では,基礎モデルの1%未満のトレーニングにより,効率的な微調整を可能にする薬物調和アダプタを提案する。
  論文  参考訳（メタデータ） (2024-12-18T03:42:20Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)

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。