論文の概要: From Simulated Fluids to Living Tissue: Zero-Shot Foundation Model Transfer to Perturbed Embryos

• arxiv url: http://arxiv.org/abs/2610.16236v1
• Date: Mon, 12 Oct 2026 06:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:56:46.08776
• Title: From Simulated Fluids to Living Tissue: Zero-Shot Foundation Model Transfer to Perturbed Embryos
• Title（参考訳）: 模擬流体から生体組織へ:ゼロショット基礎モデルから摂動胚へ
• Abstract要約: ショウジョウバエの力学はフロー連続体として記述することができ、他の物理系で学んだ表現を発達力学の前駆体として利用する動機となっている。 野生型ショウジョウバエ胚葉ビデオの組織速度場について, シミュレーションされた一連の連続系に事前訓練した連続体基盤モデルであるWalrusの微調整について検討した。
• 参考スコア（独自算出の注目度）: 1.7671425367105613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Morphogenesis is driven by the interplay of genetic regulation and tissue mechanics. In vivo video data is limited, particularly under genetic mutations and environmental perturbations, making generalization beyond the most representative conditions in the dataset challenging. However, at tissue scales, the dynamics of Drosophila can be described as a continuum flow, motivating the usage of representations learned across other physical systems as priors for developmental dynamics. We investigate finetuning Walrus, a Continuum Dynamics Foundation Model pretrained across a broad set of simulated continuous systems, on tissue velocity fields from only 12 wild-type Drosophila blastoderm videos. We evaluate autoregressive prediction both in-distribution and zero-shot under unseen temperature and genetic perturbations. Zero-shot refers to evaluation on perturbation conditions never seen during wild-type finetuning, without any additional training. In-distribution, a Fourier Neural Operator model trained from scratch achieves best performance on VRMSE. However, Walrus (CRPS) is the strongest model under the most severe distribution shift of unseen samples of mutated embryos and temperature conditions. Interestingly, predictions capture the shape of the mean surface tissue velocity trajectory and its separation between 17°C and 27°C, including the timing of the peak at Germ Band Extension onset, a biologically meaningful milestone of embryo development. Our results provide preliminary support that representations learned from different dynamical systems can transfer to experimental morphogenesis in developmental regimes, provided they admit a continuum description. More broadly, our results motivate further study of physics foundation models as a new complementary tool for the simulation of morphogenesis in low-data regimes.
• Abstract（参考訳）: 形態形成は、遺伝子制御と組織力学の相互作用によって引き起こされる。 生体内ビデオデータは、特に遺伝的変異や環境摂動によって制限されており、データセットの最も代表的な条件を超えて一般化が困難である。 しかしながら、組織スケールでは、ショウジョウバエの動態は連続フローとして記述することができ、他の物理的システム間で学習された表現の使用を発達力学の先行として動機付けている。 野生型ショウジョウバエ胚葉ビデオの組織速度場を模擬した,連続体モデルであるWalrusの微調整について検討した。 異常温度および遺伝的摂動下での自己回帰予測について検討した。 ゼロショット(ゼロショット、Zero-shot)とは、野生型ファインタニング中に見られなかった摂動条件の評価である。 In-distriionでは、スクラッチからトレーニングされたフーリエニューラルオペレータモデルがVRMSE上で最高のパフォーマンスを達成する。 しかしながら、Walrus(CRPS)は、変異した胚の未確認サンプルと温度条件の最も深刻な分布シフトの下で最も強力なモデルである。 興味深いことに、平均表面組織速度軌跡の形状と17°Cから27°Cの分離は、胚発生の生物学的に意味のあるマイルストーンであるGerm Band Extension onsetのピークのタイミングを含む。 本研究は, 異なる力学系から学習した表現が, 連続的な記述が認められれば, 発達過程における実験的形態形成に移行できるという予備的支援を提供するものである。 より広範に、我々は、低データ状態における形態形成のシミュレーションのための新しい補完ツールとして、物理基礎モデルのさらなる研究を動機付けている。

関連論文リスト

• Diversify Diffusion with Temperature Sampling and Variance-Corrective Time Shifting [57.75750707482832]
  本稿では,モード再重み付けを保ちながら分散インフレーションをキャンセルし,ネットワークをシフトタイムステップでクエリし,その結果のスコアを$$でスケールするトレーニング不要な修正である分散補正時間シフトを導入する。 DiT, 安定拡散モデル, 運動拡散モデルにまたがる品質と条件の忠実度を, 最小限のコストで一貫したゲインを示す。
  論文  参考訳（メタデータ） (2026-07-12T17:32:29Z)
• Progression as Latent Drift: Generative Forecasting of Slow-Evolving Pathologies [25.820056271749788]
  ゆっくり進化する神経変性疾患の将来の解剖を予測すれば、より早期、より標的となる介入を可能にし、臨床試験設計を改善することができる。 Latent Driftは、完全な解像度の解剖学ではなく、圧縮された意味表現の変化を学ぶ進歩的な生成フレームワークである。 縦3次元脳MRI実験では、潜伏ドリフトは拡散と自己回帰トランスフォーマーベースラインよりも患者固有の神経予測を改善することが示された。
  論文  参考訳（メタデータ） (2026-07-09T09:13:03Z)
• Trajectory Inference of Human Aging from Cross-Sectional DNA Methylation Data [10.679905591501416]
  本研究は, 寿命の長いヒトのエピジェネティック・エイジングを, 個々の年齢スナップショットの軌跡推定問題として捉えた。 大規模な80年版パンタビジョンデータセットを用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2026-07-04T19:02:23Z)
• Hierarchical Testing of a Hybrid Machine Learning-Physics Global Atmosphere Model [9.985969370583426]
  機械学習(ML)ベースのモデルは、高い技術と計算効率を示しており、しばしば天気や季節下予測において従来の物理学ベースのモデルよりも優れている。 ここでは、光学的スケールの現象、年々の変動性、分布外均一な強制を対象とする3つの実験セットを設計する。 我々は,力学コアをMLベースコンポーネントに統合したハイブリッドモデルであるNeural General Circulation Model(NeuralGCM)を,観測と物理に基づく地球系モデル(ESM)に対して評価した。
  論文  参考訳（メタデータ） (2026-02-11T19:34:50Z)
• Learning noisy tissue dynamics across time scales [0.0]
  本稿では,実験映画から直接ノイズの多いマルチセルダイナミックスを推定できるバイオミメティック機械学習フレームワークを提案する。 この生成モデルは、グラフニューラルネットワークとフローの正規化とWaveNetアルゴリズムを組み合わせて、組織を神経微分方程式として表現する。 我々のモデルは細胞の動きを捉えるだけでなく、分裂サイクルにおける細胞状態の進化を予測することも示している。
  論文  参考訳（メタデータ） (2025-10-21T21:33:54Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Automated Model Discovery for Tensional Homeostasis: Constitutive Machine Learning in Growth and Remodeling [0.0]
  キネマティック成長とホメオスタティック表面を組み込むことで,非弾性構成型ニューラルネットワーク(iCANN)を拡張した。 実験により得られた組織等価データから材料点レベルで学習するネットワークの能力を評価する。
  論文  参考訳（メタデータ） (2024-10-17T15:12:55Z)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)

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。