論文の概要: From Retrieval to Reasoning: Agentic Mechanism Prediction from Cell Painting Profiles
- arxiv url: http://arxiv.org/abs/2609.36406v1
- Date: Tue, 29 Sep 2026 00:00:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.07268
- Title: From Retrieval to Reasoning: Agentic Mechanism Prediction from Cell Painting Profiles
- Title（参考訳）: 検索から推論へ:細胞塗装プロファイルからのエージェント機構予測
- Abstract要約: PhenoAIRは信頼性に敏感なマルチエージェントフレームワークで、候補中心のエビデンスメモリを保持し、表現型およびメカニズム側のエビデンスに対してコントローラ誘導の洗練を行う。
我々はPhenoAIRをセルペイントプロファイルとアノテーションから構築したベンチマークで評価し、制御され、現実的で、発見指向のオープンワールドMOA予測設定をカバーした。
- 参考スコア（独自算出の注目度）: 15.531667304089801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cell Painting is a high-content morphological profiling assay widely used for phenotype-based biological inference, with mechanism of action (MOA) prediction as a central application. Existing approaches largely formulate Cell Painting-based inference as representation matching, assigning predictions from nearby reference perturbations in morphological feature space. However, retrieved neighbors are often noisy and partially misleading evidence due to batch effects, non-specific cytotoxicity, phenotypic convergence, and source-dependent variability. We reformulate Cell Painting-based MOA prediction as a calibrated evidence reasoning problem, where retrieved neighbors are treated as uncertain observations that must be evaluated, compared, and sometimes rejected before supporting a mechanistic conclusion. We propose PhenoAIR, a reliability-aware multi-agent framework that maintains a candidate-centric evidence memory and performs controller-guided refinement over phenotype- and mechanism-side evidence. PhenoAIR uses offline reference-set calibration to weight evidence by source reliability, phenotype stability, and mechanism-level confusion. We evaluate PhenoAIR on a benchmark constructed from JUMP Cell Painting profiles and annotations, covering controlled, realistic, and discovery-oriented open-world MOA prediction settings. PhenoAIR outperforms representation-matching and LLM-based baselines across all settings.
- Abstract（参考訳）: 細胞ペイントは、表現型に基づく生物学的推論に広く用いられている高濃度形態素プロファイリングアッセイであり、作用機構(MOA)予測を中心的応用として用いている。
既存のアプローチは主にセルペイントに基づく推論を表現マッチングとして定式化し、形態的特徴空間における近くの参照摂動からの予測を割り当てる。
しかし、抽出された隣人は、バッチ効果、非特異な細胞毒性、表現型収束、およびソース依存的変動により、しばしばうるさく、部分的に誤解を招く証拠である。
我々は, セルペイントに基づくMOA予測を, 機械的結論を支持する前に評価し, 比較し, 時に拒絶する不確実な観察として, 検索した近隣住民を扱い, 校正された証拠推論問題として再検討する。
我々はPhenoAIRを提案する。PhenoAIRは信頼性を意識したマルチエージェントフレームワークで、候補中心のエビデンスメモリを維持し、表現型およびメカニズム側エビデンスに対してコントローラ誘導の洗練を行う。
PhenoAIRは、ソース信頼性、表現型安定性、メカニズムレベルの混乱による証拠の重み付けにオフライン参照セット校正を使用する。
JUMPのセルペイントプロファイルとアノテーションから構築したベンチマークを用いて、PhenoAIRを評価し、制御され、現実的で、発見指向のオープンワールドMOA予測設定をカバーした。
PhenoAIRは、すべての設定で表現マッチングとLLMベースのベースラインよりも優れています。
関連論文リスト
- XAI-Refine: An Automated Explanation-Knowledge Loop for Brain-Age Prediction [8.369324356989523]
静止状態機能接続からの脳年齢予測のための自動説明ループを提案する。
XAI-Refineは、反復訓練における相補的なポストホック分析を、信頼性のある構造化されたモデル説明に集約する。
信頼性のある各説明を中立的な神経生物学の質問に変換し、関連する文献を検索して検証し、検証された証拠を許容可能な集合にコンパイルする。
論文 参考訳（メタデータ） (2026-09-08T19:40:42Z) - PertReason: A Knowledge-Grounded Benchmark and Framework for Cell-State-Conditioned Mechanistic Reasoning of Perturbation Effects [11.347908338100515]
本稿では,セル状態推論のための知識ベースベンチマークとフレームワークスイートPertReasonを紹介する。
PertReasonQAは、モデルが機械的に忠実な説明を生成できるかどうかをテストするベンチマークである。
PertReasonLMは、結果予測と文脈固有の機械的推論の整合性を訓練した大規模言語モデルである。
論文 参考訳（メタデータ） (2026-07-21T06:59:25Z) - 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) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Kolmogorov-Arnold causal generative models [40.44169036529174]
因果生成モデルは、観測データから観察的、介入的、および反事実的クエリに答えるための原則化された枠組みを提供する。
我々はKAN(Kolmogorov-Arnold Network)により各構造方程式をパラメータ化した混合型表型データに対する因果生成モデルKaCGMを提案する。
この分解は、シンボリック近似や親子関係の可視化を含む学習因果関係の直接検査を可能にする。
論文 参考訳（メタデータ） (2026-03-20T17:58:38Z) - SphUnc: Hyperspherical Uncertainty Decomposition and Causal Identification via Information Geometry [7.816699755198432]
本稿では,超球面表現学習と構造因果モデリングを組み合わせた統合フレームワークであるSphUncを紹介する。
球状潜伏剤の構造因果モデルにより、サンプルベースシミュレーションによる直接的影響同定と介入推論が可能となる。
社会的および感情的なベンチマークに関する実証的な評価では、精度の向上、校正の改善、因果信号の解釈が示されている。
論文 参考訳（メタデータ） (2026-03-01T16:11:49Z) - 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) - Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors [4.882734501598445]
既存の予測モデルは限定的、一般化可能性、解釈可能性に悩まされている。
自動エンコーダと予測器の階層化フレームワーク(LEAP)について紹介する。
LEAPは、モデリング戦略を越えて、未スクリーンのセルラインでの予測性能を一貫して改善する。
論文 参考訳（メタデータ） (2025-02-21T18:12:36Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳（メタデータ） (2024-11-21T10:37:57Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。