論文の概要: BASILISC: Bayesian Alignment of Siamese-Integrated Latents for Inferring Single-cell Correspondence

• arxiv url: http://arxiv.org/abs/2610.39050v1
• Date: Wed, 28 Oct 2026 23:26:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.433901
• Title: BASILISC: Bayesian Alignment of Siamese-Integrated Latents for Inferring Single-cell Correspondence
• Title（参考訳）: BASILISC : 単細胞対応推定のためのシームズ結合潜伏剤のベイズアライメント
• Abstract要約: BASILISCは, 単一セル表現と不確実性とを対応付けるためのフレームワークである。 我々の知る限り、これは既知の地道ペアリングに対して評価された学習されたクロスモーダル対応に関する最初の不確実性スコアである。
• 参考スコア（独自算出の注目度）: 0.084963488352489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell assays study the genome one cell at a time. Unimodal assays measure one molecular layer, the newer multimodal assays measure several. Most data are single-modality, so integrating them relies on models trained on multimodal assays, where the cell correspondence across modalities is known. These models return a matching, but rarely a confidence measure. We present BASILISC (Bayesian Alignment of Siamese-Integrated Latents for Inferring Single-cell Correspondence), a framework for matching single-cell representations with uncertainty on the correspondence itself. A BASILISC model is a probabilistic siamese network over the two modalities with a predictive distribution over the correspondence for a cross-modal pair of cells. We instantiate it at two levels: at the cell-type level the question is whether two cells share a cell type, at the cell level which cell is the partner in the other modality. To our knowledge, this is the first uncertainty score on a learned cross-modal correspondence evaluated against a known ground-truth pairing. BASILISC learns a similarity across modalities that reflects cell lineage: an unseen cell type is matched to its lineage relative, matching still works on such held-out types (balanced accuracy 0.86 on unseen against 0.93 on seen types), and the predictive uncertainty rises on these out-of-distribution cells. The uncertainty score also selects high-quality matches for downstream analysis: discarding the least certain fifth of the pairs raises accuracy from 0.93 to 0.98. At the cell level, a deep ensemble of the deterministic matcher reaches 0.062 matching accuracy on the benchmark test set, above the competition winner; on the Bayesian matcher's assignment, the posterior flags the wrong matches that cross a cell-type boundary better than a deterministic read of the same scores (AUROC 0.68 against 0.64).
• Abstract（参考訳）: 単細胞アッセイはゲノムを一度に1つの細胞で研究する。 単モーダルアッセイは1つの分子層を測り、新しい多モーダルアッセイは複数の分子層を測る。 ほとんどのデータは単一のモダリティであり、それらの統合は、モーダル間の細胞対応が知られているマルチモーダルアッセイで訓練されたモデルに依存している。 これらのモデルはマッチングを返しますが、信頼度はめったにありません。 本稿では,単一セルの表現と,それ自身の不確かさを一致させる枠組みであるBASILISC(Bayesian Alignment of Siamese-Integrated Latents for Infering Single-cell Correspondence)を提案する。 BASILISCモデル(BASILISC model)は、2つのモダリティ上の確率的シアムネットワークであり、クロスモーダルなセル対の対応性に関する予測的分布を持つ。 2つのレベルでインスタンス化する: 細胞型レベルでは、2つの細胞が細胞型を共有しているか、どの細胞が他のモダリティのパートナーであるか、という問題である。 我々の知る限り、これは既知の地道ペアリングに対して評価された学習されたクロスモーダル対応に関する最初の不確実性スコアである。 BASILISCは、細胞系統を反映するモジュール間の類似性を学習する: 未知の細胞型は、その系統の相対性に一致し、そのような保持されたタイプ(見つからない細胞では、0.93に対して、バランスの取れた精度0.86)で未だに機能し、これらの非分布細胞では予測的不確実性が上昇する。 不確実性スコアは、下流分析のための高品質なマッチも選択する: ペアの少なくとも5分の1を破棄すると、精度は0.93から0.98に上昇する。 セルレベルでは、決定論的マーカのディープアンサンブルは、競争勝者より上位のベンチマークテストセット上で0.062のマッチング精度に達し、ベイジアンマーの割り当てでは、後部フラグは同じスコア(AUROC 0.68対0.64)の判定論的リードよりも、セルタイプのバウンダリを横断する間違ったマッチを示す。

関連論文リスト

• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• Predictive Multiplicity in Cell-Fate Assignment: Label-Free Rashomon Sets and the Limits of Per-Cell Certification [0.0]
  軌道の多重性は推測と報告の価値がある。 しかし、ラベルなしのRashomonセットに対するセル単位の認証は、より信頼できる運命呼び出しへの道ではない。
  論文  参考訳（メタデータ） (2026-10-08T03:43:28Z)
• 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)
• GeneSpeak-FP: Target and Compound Retrieval from Observed Cell-Level Perturbation Signatures [0.0]
  クローズド・ライブラリ・セッティングのためのトランスフォーマー検索モデルであるモデルを提案する。 各入力は、1つの処理された細胞と細胞線特異的な平均DMSO参照を対比して形成される細胞レベルの摂動署名である。 マッピング対象アノテーションを用いたTahoe-100M条件の評価を行った。
  論文  参考訳（メタデータ） (2026-07-20T08:22:44Z)
• Score Distributions, Not Cells: Evaluating Single-Cell Perturbations Under Class Overlap [0.09558392439655013]
  2つの摂動によって異なる細胞の集団が生成され、同時に個々の細胞がどちらの細胞に属しているかが重なり合う。 セル毎の精度はモデルの品質よりもこの重複を測定する。 この修正は、細胞によってではなく、全人口の摂動を評価することである。
  論文  参考訳（メタデータ） (2026-07-06T01:47:02Z)
• 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)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Kernel-Based Testing for Single-Cell Differential Analysis [23.769396655341204]
  非線形な細胞分布比較のためのカーネルテストフレームワークを提案する。 本手法は, 細胞集団の多様性を明らかにするため, 機能的およびグローバルなトランスクリプトーム/エポジェノムの比較を可能にする。
  論文  参考訳（メタデータ） (2023-07-17T14:10:01Z)
• Uncertainty Quantification for Atlas-Level Cell Type Transfer [0.4893345190925178]
  単細胞基準アトラスを用いた細胞型分類のための不確実性定量法を提案する。 4つのモデルクラスをベンチマークし、現在使用されているモデルに校正、堅牢性、動作可能な不確実性スコアがないことを示す。 アトラスレベルの細胞型移動の設定において、不確実性を定量化するモデルが、未知の細胞型を検出するのにどのように適しているかを実証する。
  論文  参考訳（メタデータ） (2022-11-07T16:08:28Z)

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。