論文の概要: PerturbBridge: Direct Phenotypic Supervision for Cellular Perturbation Generation

• arxiv url: http://arxiv.org/abs/2610.17066v1
• Date: Mon, 12 Oct 2026 16:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:31:22.224792
• Title: PerturbBridge: Direct Phenotypic Supervision for Cellular Perturbation Generation
• Title（参考訳）: PerturbBridge:細胞摂動生成のための直接現象型スーパービジョン
• Abstract要約: 本稿では,予測画像中の摂動特異的表現型を監督するデータ・ツー・データブリッジモデルPerturbBridgeを紹介する。 PerturbBridgeは、生物の忠実さ、画質、サンプリング効率でCellFluxを上回っている。
• 参考スコア（独自算出の注目度）: 13.73182628946811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual cell models should capture phenotypes induced by specific perturbations. However, image-based models are typically trained and evaluated to match real-image distributions, which alone does not explicitly prioritize perturbation-specific biological responses. Recent approaches add biological signals through reinforcement-learning post-training or inference-time steering, raising a central question: where should biological response information enter the generative pipeline? We introduce PerturbBridge, a stochastic data-to-data bridge model that directly supervises perturbation-specific phenotypes in predicted perturbed images during training. PerturbBridge jointly optimizes bridge regression and differentiable biological response losses, with biological gradients passing through a frozen image encoder. We further introduce perturbation-response evaluations based on downstream classification and retrieval. Across three microscopy benchmarks for perturbation profiling and subcellular imaging, PerturbBridge surpasses CellFlux in biological fidelity, image quality, and sampling efficiency. On BBBC021, mechanism-of-action classification improves by 5.66 and 7.5 percentage points with morphological and learned visual features, respectively. On JUMP and AllenCell, retrieval Hit@10 and Hit@1 improve by 1.77 and 7.15 percentage points, respectively. On BBBC021 and JUMP, PerturbBridge achieves lower FID with 80% fewer model evaluations than CellFlux. Overall, these results show that directly supervising perturbation responses during training improves phenotypic fidelity while enabling efficient cellular image generation. Code is available at https://github.com/yyc1215lll-creator/PerturbBridge.
• Abstract（参考訳）: 仮想細胞モデルは特定の摂動によって引き起こされる表現型を捉えなければならない。 しかし、イメージベースモデルは通常、摂動固有の生物学的応答を明示的に優先順位付けしない実像分布に適合するように訓練され、評価される。 最近のアプローチでは、強化学習後または推論時ステアリングを通じて生物学的シグナルを付加し、生物応答情報を生成パイプラインにどこに入力すべきかという中心的な疑問が提起されている。 トレーニング中に予測された摂動画像の摂動特異的表現型を直接監督する確率的データ・データ・ブリッジモデルであるPerturbBridgeを導入する。 PerturbBridgeは、凍結した画像エンコーダを通過する生物学的勾配で、ブリッジの回帰と生物学的応答損失を共同で最適化する。 さらに、下流の分類と検索に基づく摂動応答の評価を導入する。 PerturbBridgeは、摂動プロファイリングと細胞内イメージングのための3つの顕微鏡ベンチマークで、生物学的忠実さ、画質、サンプリング効率でCellFluxを上回っている。 BBBC021では, 形態的, 学習的視覚的特徴を有する5.66点, 7.5点のメカニズム・オブ・アクション分類が改善した。 JUMPとAllenCellでは、Hit@10とHit@1がそれぞれ1.77と7.15ポイント改善されている。 BBBC021とJUMPでは、PerturbBridgeはCellFluxよりも80%少ないモデル評価で低いFIDを達成する。 以上の結果から,トレーニング中の摂動反応を直接監視することは,効率的な細胞画像生成を可能にしつつ,表現型忠実度を向上させることが示唆された。 コードはhttps://github.com/yyc1215lll-creator/PerturbBridgeで入手できる。

関連論文リスト

• Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images [50.824193996370106]
  CellOは、画像ごとのフォワードパスを単一の病理基盤モデルで実行するための効率的なエンドツーエンドフレームワークである。 空間バイアスによる局所的形態的コンテキストを用いて各細胞表現を洗練する,距離遅延型クロスアテンションモジュールを提案する。 本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。
  論文  参考訳（メタデータ） (2026-09-29T00:40:28Z)
• Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning [3.846593903209593]
  本稿では,ラベルフリー微分位相コントラスト(DPC)画像からWhite Blood Cell (WBC)分類と連続タンパク質発現レグレッションを共同で行う統合ディープラーニングフレームワークを提案する。 バークレー単細胞顕微鏡(BSCCM)と血液細胞画像ベンチマークの実験は、強い性能を示した。 これらの結果は, ラベルフリー単細胞イメージングによる, 低コストな血液学的プロファイリングの可能性を強調し, 蛍光染色を伴わない同時表現型同定と定量的バイオマーカー推定を可能にした。
  論文  参考訳（メタデータ） (2026-05-14T11:38:56Z)
• 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)
• High-Throughput Low-Cost Segmentation of Brightfield Microscopy Live Cell Images [3.175346985850522]
  本研究は,光電場顕微鏡で観察した無残な生細胞のセグメンテーションに焦点を当てた。 冷凍エンコーダの比較分析を取り入れた低コストCNNパイプラインを開発した。 このモデルは、多様な生きた細胞変異を特徴とする公開データセットで検証された。
  論文  参考訳（メタデータ） (2025-08-17T22:05:58Z)
• 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)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Developmental Stage Classification of EmbryosUsing Two-Stream Neural Network with Linear-Chain Conditional Random Field [74.53314729742966]
  発達段階分類のための2ストリームモデルを提案する。 従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。 2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
  論文  参考訳（メタデータ） (2021-07-13T19:56:01Z)

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。