論文の概要: Learning developmental dynamics from lineage context

• arxiv url: http://arxiv.org/abs/2610.40447v1
• Date: Thu, 29 Oct 2026 16:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.543377
• Title: Learning developmental dynamics from lineage context
• Title（参考訳）: 系統的文脈から発達力学を学習する
• Abstract要約: 細胞状態のモデル化に系統コンテキストを用いる生成的モデリング手法である系統インパインティングを導入する。 マウス胚発生の系統性アトラスに応用し、遺伝子発現だけでは解決されないダイナミクスを回復する。 以上の結果から,系統情報はマルチセルダイナミックスを学習するためのコンテキストの豊富な情報源となることが示唆された。
• 参考スコア（独自算出の注目度）: 46.91914216985251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central goal of biology is to predict the dynamics of multicellular systems. Lineage context (the states of a cell's sisters, cousins, etc.) could inform these predictions, but how best to leverage it remains unclear. Here we introduce lineage inpainting, a generative modeling approach that uses lineage context with tree-structured transformers and stochastic interpolants to model cell state dynamics across lineage trees. Applied to a lineage-traced transcriptional atlas of mouse embryogenesis, it recovers dynamics not resolved by gene expression alone, including multiple transcriptional convergence events where distinct lineages are drawn to a common state. Despite being fit on unperturbed development, lineage inpainting can generate hypotheses about perturbation responses by simulating counterfactuals. These simulations agree in many cases with observed developmental phenotypes, including a single-cell measurement of the Tbx5 knockout response. Our results show that lineage information provides a rich source of context for learning multicellular dynamics.
• Abstract（参考訳）: 生物学の中心的な目標は、多細胞系の力学を予測することである。 線形性(セルの姉妹状態、従兄弟状態など)はこれらの予測を知らせることができたが、どのように利用すれば良いかは定かではない。 ここでは、木構造変換器と確率補間器を用いて、系統木全体にわたる細胞状態のダイナミクスをモデル化する、系統図作成手法を提案する。 マウス胚発生の系統解析された転写アトラスに適用すると、異なる系統が共通の状態に描画される複数の転写収束イベントを含む、遺伝子発現だけで解決されないダイナミクスを回復する。 非摂動的発達に適合しているにもかかわらず、系統の塗装は、反事実をシミュレートすることで摂動反応に関する仮説を生成することができる。 これらのシミュレーションは、Tbx5ノックアウト応答の単細胞測定を含む、観察された発達表現型と多くのケースで一致している。 以上の結果から,系統情報はマルチセルダイナミックスを学習するためのコンテキストの豊富な情報源となることが示唆された。

関連論文リスト

• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• Reconstructing Cell Lineage Trees from Phenotypic Features with Metric Learning [0.0]
  発達過程を研究するための重要なアプローチは、細胞系統分類と分化史のツリーグラフを推測することである。 本稿では,木グラフ推論に最適化された幾何学特性を持つ埋め込み空間を学習する新しいディープラーニング手法であるCellTreeQMを紹介する。
  論文  参考訳（メタデータ） (2025-03-18T05:41:03Z)
• 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)
• Multicell-Fold: geometric learning in folding multicellular life [0.34952465649465553]
  細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。 マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。 我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
  論文  参考訳（メタデータ） (2024-07-09T17:21:49Z)
• Engineering morphogenesis of cell clusters with differentiable programming [2.0690546196799042]
  我々は、局所的な相互作用規則と遺伝的ネットワークを発見するために、自動分化の最近の進歩を利用する。 細胞間相互作用のパラメータを解釈可能な遺伝的ネットワークの形で学習できることが示される。
  論文  参考訳（メタデータ） (2024-07-08T18:05:11Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)

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。