論文の概要: Learning Perturbation-Specific Representations through Conditional Energy Prior for Cellular Response Prediction

• arxiv url: http://arxiv.org/abs/2610.18456v1
• Date: Tue, 13 Oct 2026 14:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.642034
• Title: Learning Perturbation-Specific Representations through Conditional Energy Prior for Cellular Response Prediction
• Title（参考訳）: セル応答予測に先立つ条件エネルギーによる摂動の学習
• Abstract要約: 本稿では、摂動表現に先立って条件付きエネルギーに基づく事前計算を導入するPerturbEnergyを提案する。 より低いエネルギー(高い確率)を与えられた摂動と互換性のある表現に割り当て、より高いエネルギーを他人に割り当て、従って遅延空間を摂動優先領域へ明示的に傾ける。 トップ50/100/200の差分表現された遺伝子(DEG)の応答を予測し、高可変遺伝子(HVG)の予測に競争力を維持するための最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 26.11913325446579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based cellular perturbation prediction is essential to accelerate drug discovery and therapeutic identification. However, perturbation-specific signals are generally obscured by cellular complexity, making it difficult for existing methods to correctly capture perturbation effects. To address this problem, we propose PerturbEnergy, which introduces a conditional energy-based prior over perturbation representations. It assigns lower energy (higher probability) to representations compatible with the given perturbation and higher energy to others, thereby explicitly tilting the latent space toward perturbation-preferred regions. Besides, PerturbEnergy can be integrated into autoencoder architectures as we find its Evidence Lower Bound (ELBO) is equivalent to the ELBO of the complete autoencoder. We further prove that optimizing PerturbEnergy increases the lower bound on the conditional mutual information between representation and perturbation. Extensive experiments on four benchmark datasets demonstrate the effectiveness of our PerturbEnergy: it improves perturbation recognition especially in latent space with improvement of up to 83.2\%; It also achieves state-of-the-art performance for predicting top-50/100/200 differentially expressed gene(DEG) response and remaining competitive on highly variable gene(HVG) prediction. The code is provided: https://github.com/BlueWhaleLab/PerturbEnergy
• Abstract（参考訳）: AIに基づく細胞摂動予測は、薬物の発見と治療的同定を促進するために不可欠である。 しかし、摂動特異的なシグナルは一般に細胞の複雑さによって隠蔽され、既存の方法で摂動効果を正しく捉えることは困難である。 この問題に対処するために、摂動表現よりも条件付きエネルギーに基づく事前表現を導入するPerturbEnergyを提案する。 より低いエネルギー(高い確率)を与えられた摂動と互換性のある表現に割り当て、より高いエネルギーを他人に割り当て、従って遅延空間を摂動優先領域に明示的に傾ける。 さらに、PerturbEnergyは、そのエビデンス下界(ELBO)が完全なオートエンコーダのELBOと同値であることから、オートエンコーダアーキテクチャに統合することができる。 さらに、PerturbEnergyの最適化は、表現と摂動の間の条件付き相互情報に対する下界を増大させることを示す。 4つのベンチマークデータセットに対する大規模な実験は、PerturbEnergyの有効性を実証している。最大83.2\%の改善により、特に潜伏空間における摂動認識を改善し、また、50/100/200の差分表現された遺伝子(DEG)の応答を予測し、高い可変遺伝子(HVG)予測に競争力を維持するための最先端のパフォーマンスも達成している。 コードは:https://github.com/BlueWhaleLab/PerturbEnergy

関連論文リスト

• Generalizable single-cell perturbation response prediction using energy-guided flow matching [53.501471839336084]
  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。
  論文  参考訳（メタデータ） (2026-09-27T03:53:41Z)
• OCOO-T : A Simple and Scalable Virtual Cell Model for Transcriptional Perturbation Response Prediction [0.8574682463936006]
  本稿では,摂動応答予測のための流れマッチング型AIVCモデルであるOCOO-Tを紹介する。 OCOO-Tは摂動応答予測を連続的デノナイジングプロセスとして定式化する。 様々な摂動や細胞タイプにまたがって最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-06-11T03:04:38Z)
• Plausibility Is Not Prediction: Contrastive Evidence for LLM-Based Cellular Perturbation Reasoning [27.902219493068824]
  摂動実験は細胞機構の理解の中心である。 それらは高価で疎いままであり、保存されていない状態に対する遺伝子発現応答の予測を動機付けている。 証拠を関連摂動から肯定的・否定的な結果に整理することで,予測を比較課題として再編成するCOREを導入する。
  論文  参考訳（メタデータ） (2026-05-31T06:13:26Z)
• Can We Test Consciousness Theories on AI? Ablations, Markers, and Robustness [0.0]
  我々は、意識理論をテストするために、合成神経現象学アプローチを用いる。 3つの実験において,これらの理論が相補的な機能的層を記述していることを示す解離を報告した。 GWTはブロードキャスト能力を提供し、HOTは品質管理を提供します。
  論文  参考訳（メタデータ） (2025-12-22T08:52:07Z)
• 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)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects [83.66276516095665]
  条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。 典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。 本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-06T10:39:49Z)

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。