論文の概要: Do Perturbation Predictors Learn Gene Interactions? Diagnosing Extrapolation in Agentic Screening

• arxiv url: http://arxiv.org/abs/2610.18880v1
• Date: Thu, 01 Oct 2026 02:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.541455
• Title: Do Perturbation Predictors Learn Gene Interactions? Diagnosing Extrapolation in Agentic Screening
• Title（参考訳）: 摂動予測者は遺伝子相互作用を学習するのか? : エージェントスクリーニングにおける外挿の診断
• Abstract要約: 高スループットの摂動スクリーンでは、計測されなかった遺伝子の組み合わせの効果を予測するために、機械学習モデルの利用が増えている。 この設定では、標準的なOODメソッドはしばしば失敗する。 それぞれのモデル予測を、観測された2つの単遺伝子効果をまとめた単純な加算予測と比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-throughput perturbation screens increasingly use machine-learning models to predict the effects of gene combinations that were never measured. A difficult case arises when both genes in a test pair were seen individually during training, but their combination was not. In this setting, standard OOD methods often fail because neither gene appears unfamiliar on its own. We therefore compare each model prediction with a simple additive prediction obtained by summing the two observed single-gene effects. The difference between them, which we call additive disagreement (AD), measures how much extra interaction effect the model introduces for an unseen combination. Across eight prediction methods and three Perturb-seq datasets, specialised neural predictors do not consistently outperform this simple additive baseline. More importantly, predictions with larger deviations from the additive baseline tend to have larger errors. Conventional output-based and embedding-based confidence signals are inconsistent across datasets and models, whereas AD remains informative across all evaluated compositional settings. We further study how this signal can guide decisions in an agentic perturbation-screening workflow. The code is available at https://github.com/zygao930/OOD.
• Abstract（参考訳）: 高スループットの摂動スクリーンでは、計測されなかった遺伝子の組み合わせの効果を予測するために、機械学習モデルの利用が増えている。 テストペア内の両方の遺伝子が訓練中に個別に見られた場合、難しいケースが生じるが、それらの組み合わせはそうではなかった。 この設定では、標準的なOODメソッドはしばしば失敗する。 したがって、各モデル予測を、観測された2つの単遺伝子効果をまとめた単純な加算予測と比較する。 加法的不一致(AD)と呼ばれるそれらの違いは、モデルが目に見えない組み合わせに対してどれだけの余分な相互作用効果をもたらすかを測定する。 8つの予測方法と3つのPerturb-seqデータセット、特に神経予測器は、この単純な加算ベースラインを一貫して上回るものではない。 さらに重要なことは、加算基準線から大きくずれた予測はより大きな誤差を持つ傾向があることである。 従来の出力ベースと埋め込みベースの信頼性信号はデータセットとモデル間で一貫性がないが、ADは評価されたすべての構成設定間で情報的である。 さらに、エージェント摂動スクリーニングのワークフローにおいて、このシグナルがどのように決定を導くかについても検討する。 コードはhttps://github.com/zygao930/OODで公開されている。

関連論文リスト

• 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)
• 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)
• CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-phenotype Associations [6.5678927417916455]
  我々は、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、コントラスト符号付きグラフ拡散ネットワーク(CSGDN)を提案する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2024-10-10T01:01:10Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。