論文の概要: P2P: Cross-View Population Denoising for Unpaired Single-Cell Perturbation Response Prediction
- arxiv url: http://arxiv.org/abs/2609.34391v1
- Date: Mon, 28 Sep 2026 06:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 21:08:56.076257
- Title: P2P: Cross-View Population Denoising for Unpaired Single-Cell Perturbation Response Prediction
- Title（参考訳）: P2P: 単セル摂動応答予測のためのクロスビュー人口予測
- Abstract要約: AIVC(AI Virtual Cell)は、条件を越えた細胞行動の学習シミュレータである。
パーターブシークは破壊的シークエンシングによる応答を記録するため、制御細胞と摂動細胞はペアとして観測されることはない。
- 参考スコア（独自算出の注目度）: 2.3626723676575025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AIVC (AI Virtual Cell) is a learned simulator of cellular behavior across conditions. Predicting how a cell population responds transcriptionally to a genetic perturbation is a core task. Perturb-seq records that response by destructive sequencing, so a control cell and a perturbed cell are never observed as a pair, and cells under one condition remain heterogeneous and noisy. Regression on individual cells absorbs sampling variation into the estimated effect, whereas interpretation requires the reproducible population effect. P2P (Perturbation-to-Perturbation) takes a stochastic cell-set view as its supervision unit. Two views drawn from the same condition share a reproducible population effect and differ by view-specific variation. A permutation-invariant set encoder summarizes the control population, a structured encoder represents perturbation tokens, cellular context, dose, and combination interactions, and a gate blends empirical condition-effect memory with a neural residual. A heteroscedastic head predicts the population mean and gene-wise response variance. Under one protocol and five seeds, P2P attains the lowest expression RMSE and the highest Effect Pearson, DEG F1, and DEG average precision on each of Adamson, Norman, Replogle K562, and Replogle RPE1 relative to GenePert, LinearPert, SLIM, Scouter, and scPILOT. On Replogle K562, Effect Pearson rises from 0.643 to 0.702 and DEG F1 rises from 0.067 to 0.178 relative to Scouter, the strongest baseline on both metrics.
- Abstract（参考訳）: AIVC(AI Virtual Cell)は、条件を越えた細胞行動の学習シミュレータである。
細胞集団が遺伝子摂動に転写的にどのように反応するかを予測することは、コアタスクである。
パーターブシークは破壊的シークエンシングによる応答を記録するため、制御細胞と摂動細胞はペアとして観測されず、1つの条件下の細胞は不均一でうるさいままである。
個々の細胞への回帰はサンプリングのばらつきを推定効果に吸収するが、解釈は再現可能な集団効果を必要とする。
P2P (Perturbation-to-Perturbation) は、確率的なセルセットビューを監督ユニットとして扱う。
同じ条件で描かれた2つのビューは再現可能な人口効果を共有し、ビュー固有のバリエーションによって異なる。
置換不変集合エンコーダは制御人口を要約し、構造化エンコーダは摂動トークン、細胞コンテキスト、線量、結合相互作用を表し、ゲートは経験的条件効果メモリとニューラル残留をブレンドする。
ヘテロスセダスティックヘッドは、集団平均と遺伝子ワイド応答のばらつきを予測する。
1つのプロトコルと5つのシードの下で、P2Pは、GenePert、LinearPert、SLIM、Scouter、ScPILOTと比較して、Adamson、Norman、Replogle K562、Replogle RPE1の各平均精度でRMSE、最も高いエフェクトピアソン、DG F1、DGの平均精度を達成している。
レプログル K562 ではエフェクトピアソンは 0.643 から 0.702 に上昇し、DEC F1 は 0.067 から 0.178 に上昇する。
関連論文リスト
- AmbiModBench: Benchmarking Gene Perturbation Prediction Beyond Shared Responses [48.72528617189033]
遺伝的摂動に対する細胞応答の予測は、単細胞ゲノム学における実験の優先順位付けに役立つ。
本稿では,AmbiModBenchを提案する。
論文 参考訳（メタデータ） (2026-09-26T12:10:35Z) - 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) - Score Distributions, Not Cells: Evaluating Single-Cell Perturbations Under Class Overlap [0.09558392439655013]
2つの摂動によって異なる細胞の集団が生成され、同時に個々の細胞がどちらの細胞に属しているかが重なり合う。
セル毎の精度はモデルの品質よりもこの重複を測定する。
この修正は、細胞によってではなく、全人口の摂動を評価することである。
論文 参考訳（メタデータ） (2026-07-06T01:47:02Z) - 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) - 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) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z)
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。