論文の概要: Generalizable single-cell perturbation response prediction using energy-guided flow matching

• arxiv url: http://arxiv.org/abs/2610.02232v1
• Date: Sun, 27 Sep 2026 03:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.006886
• Title: Generalizable single-cell perturbation response prediction using energy-guided flow matching
• Title（参考訳）: エネルギー誘導流れマッチングを用いた一般化可能な単一セル摂動応答予測
• Abstract要約: scEGFlowは、制御と摂動した細胞状態をブリッジするエネルギー誘導フローマッチングフレームワークである。 scEGFlowは条件付きフローマッチングを用いて制御セルから摂動状態への連続的な遷移をモデル化する。 次に、これらの予測を補正し、操縦するために条件特異的なエネルギー勾配を適用し、フローモデルを再訓練することなく柔軟な調整を可能にする。
• 参考スコア（独自算出の注目度）: 53.501471839336084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting phenotypic and transcriptional responses to perturbations at single-cell resolution provides a powerful tool for probing biological systems. However, existing methods typically rely on fixed mappings learned during training, making it challenging to calibrate distribution shifts or adapt to novel perturbation conditions during inference. Here, we present scEGFlow, an energy-guided flow matching framework that dynamically bridges control and perturbed cellular states. scEGFlow models continuous transitions from control cell populations to perturbed states using conditional flow matching. It then applies condition-specific energy gradients to correct and steer these predictions, enabling flexible adjustments without retraining the flow model. Evaluations across benchmarks spanning imaging phenotypes and transcriptomic profiles show that scEGFlow outperforms existing methods in reconstructing response distributions under both seen and unseen perturbation conditions, faithfully preserving cellular manifold geometry and population heterogeneity. This advantage is notable when adapting to new conditions with only a few measured cells, consistently improving prediction accuracy. Furthermore, scEGFlow accurately recapitulates perturbation-induced up- and down-regulation patterns across consensus gene expression signatures, where energy guidance improves the agreement between predicted and observed regulatory directions. Ultimately, these findings demonstrate that scEGFlow provides a modular, generalizable, and steerable solution for single-cell perturbation modeling. By grounding generative flows in learned biological landscapes, this architecture establishes a new computational paradigm for navigating and manipulating cellular behavior in silico.
• Abstract（参考訳）: 単細胞解像度での摂動に対する表現型および転写応答の予測は、生物学的システムを探索するための強力なツールを提供する。 しかし、既存の手法は通常、トレーニング中に学んだ固定マッピングに依存しており、分散シフトを校正したり、推論中に新しい摂動条件に適応することを困難にしている。 そこで我々は,制御と摂動状態の動的ブリッジを行うエネルギー誘導型フローマッチングフレームワーク scEGFlow を提案する。 scEGFlowは条件付きフローマッチングを用いて制御セルから摂動状態への連続的な遷移をモデル化する。 次に、これらの予測を補正し、操縦するために条件特異的なエネルギー勾配を適用し、フローモデルを再訓練することなく柔軟な調整を可能にする。 画像表現型と転写プロファイルにまたがるベンチマークによる評価では、ScEGFlowは、目視と目視の両方の摂動条件下で応答分布を再構築し、細胞多様体の幾何学と集団の不均一性を忠実に保存する既存の手法よりも優れていた。 この利点は、数個の測定された細胞しか持たない新しい条件に適応し、予測精度を一貫して改善するときに顕著である。 さらに、scEGFlowはコンセンサス遺伝子発現シグネチャ間で摂動誘発のアップ・アンド・ダウン・レギュレーションパターンを正確に再カプセル化し、エネルギー誘導は予測された制御方向と観測された制御方向の一致を改善する。 最終的に、これらの結果は、ScEGFlowが単一セル摂動モデリングのためのモジュラーで、一般化可能で、ステアブルなソリューションを提供することを示している。 このアーキテクチャは、学習された生物学的景観に生成フローを基盤として、シリコの細胞挙動をナビゲートし操作するための新しい計算パラダイムを確立する。

関連論文リスト

• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• 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)
• Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
  本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
  論文  参考訳（メタデータ） (2025-12-27T14:00:22Z)
• 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)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Attentive Contractive Flow with Lipschitz-constrained Self-Attention [25.84621883831624]
  注意的収縮フロー(ACF)と呼ばれる新しいアプローチを導入する。 ACFは、フローベースの生成モデル - 収縮フロー - の特別なカテゴリを利用する。 我々は, ACFをプラグアンドプレイ方式で, 各種のアートフローモデルに導入できることを実証した。
  論文  参考訳（メタデータ） (2021-09-24T18:02:49Z)

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。