論文の概要: Attribution-based diagnostics for single-cell foundation models

• arxiv url: http://arxiv.org/abs/2611.02335v2
• Date: Tue, 03 Nov 2026 17:31:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:34:40.792177
• Title: Attribution-based diagnostics for single-cell foundation models
• Title（参考訳）: 単一細胞基盤モデルの属性に基づく診断
• Abstract要約: 単細胞RNA基盤モデル(scFM)は、シリコン内生物発見にますます利用されている。 本稿では,2つの課題にまたがる下流予測のホック後属性について検討する。
• 参考スコア（独自算出の注目度）: 2.967418489388941
• License:
• Abstract: Single-cell RNA foundation models (scFMs) are increasingly used for in-silico biological discovery, yet predictive performance alone does not reveal whether their decisions rely on biologically meaningful signals or model-specific shortcuts. We systematically investigate post-hoc attribution of downstream predictions across two tasks: cell-type annotation using pretrained Cell2Sentence and scGPT models, and perturbation prediction using scGPT+STATE in a controlled setting. For cell annotation, we use attribution to assess whether predictions rely on established marker genes and how their relevance varies with model architecture, expression rank, and the surrounding cellular context. For perturbation prediction, we compare attribution patterns with known regulatory ground-truth in a synthetic setting to assess what they reveal about the model's learned computations. Across these tasks, attribution reveals biological feature use, contextual interactions, contributions from different input pathways, learning progression, associations with prediction quality, and potential pitfalls that are not fully captured by standard performance metrics. Experiments with complete and limited regulatory knowledge further demonstrate that conclusions drawn from attribution depend strongly on the choice of biological reference, baseline, and null model. Together, these findings highlight the value of attribution as a flexible post-hoc diagnostic for understanding model behavior, identifying potential issues, and informing the development of scFMs.
• Abstract（参考訳）: 単細胞RNA基盤モデル (scFMs) は、シリコン内での生物学的発見にますます使われているが、予測的性能だけでは、それらの決定が生物学的に意味のあるシグナルやモデル固有のショートカットに依存するかどうかは明らかになっていない。 本研究では,事前学習したCell2Sentence モデルと scGPT モデルを用いた細胞型アノテーションと,制御された環境下での scGPT+STATE を用いた摂動予測の2つのタスクにおける下流予測の因果関係を系統的に検討した。 細胞アノテーションでは、予測が確立されたマーカー遺伝子に依存しているかどうか、それらの関係がモデルアーキテクチャ、発現ランク、周囲の細胞コンテキストとどのように異なるかを評価するために属性を用いる。 摂動予測では, モデルが学習した計算について何を明らかにするかを評価するために, 既知の規制基盤構造と合成環境での属性パターンを比較した。 これらのタスク全体で、属性は生物学的特徴の使用、文脈的相互作用、異なる入力経路からのコントリビューション、学習の進捗、予測品質との関連、および標準的なパフォーマンス指標によって完全に捉えられていない潜在的な落とし穴を明らかにする。 完全かつ限定的な規制知識による実験は、帰属から引き出された結論が生物学的参照、ベースライン、およびヌルモデルの選択に強く依存していることをさらに示している。 これらの知見は、モデル行動を理解し、潜在的な問題を特定し、scFMの開発を知らせるためのフレキシブルなポストホック診断としての属性の価値を強調した。

関連論文リスト

• Tool-Augmented On-Policy Distillation for LLM Domain Adaptation in Sequence-Based Omics Tasks [72.97315136048122]
  マルチオミクスシーケンスの最初の推論ベンチマークであるOmicsBenchを紹介する。 予測と科学的推論の両方を評価することが重要です ツール強化型オン・ポリケーション (TA-OPD) を導入し, シークエンス予測とエビデンス基底の生物学的推論を一致させる。
  論文  参考訳（メタデータ） (2026-09-20T08:08:34Z)
• PertReason: A Knowledge-Grounded Benchmark and Framework for Cell-State-Conditioned Mechanistic Reasoning of Perturbation Effects [11.347908338100515]
  本稿では,セル状態推論のための知識ベースベンチマークとフレームワークスイートPertReasonを紹介する。 PertReasonQAは、モデルが機械的に忠実な説明を生成できるかどうかをテストするベンチマークである。 PertReasonLMは、結果予測と文脈固有の機械的推論の整合性を訓練した大規模言語モデルである。
  論文  参考訳（メタデータ） (2026-07-21T06:59:25Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Uncertainty-Guided Model Selection for Tabular Foundation Models in Biomolecule Efficacy Prediction [3.108481950101193]
  本研究では,モデル選択のための不確実性誘導戦略について検討する。 本研究では,直列型特徴量を用いたTabPFNモデルが,最先端の予測器を上回りうることを示す。
  論文  参考訳（メタデータ） (2025-10-02T18:33:19Z)
• Attribution assignment for deep-generative sequence models enables interpretability analysis using positive-only data [3.246305861471588]
  生成機械学習モデルは、望ましい性質に富んだ生物配列の広い空間を効率的に探索することで、治療設計のための強力なフレームワークを提供する。 正のラベル付きデータと負のラベル付きデータの両方を必要とする教師付き学習法とは異なり、LSTMのような生成モデルは、正のラベル付きシーケンスのみに基づいて訓練することができる。 生成モデルへの帰属方法の欠如は、そのようなモデルから解釈可能な生物学的洞察を抽出する能力を妨げている。 本研究では,GAMA(Generative Attribution Metric Analysis)を開発した。
  論文  参考訳（メタデータ） (2025-06-29T10:50:46Z)
• 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)
• Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors [4.882734501598445]
  既存の予測モデルは限定的、一般化可能性、解釈可能性に悩まされている。 自動エンコーダと予測器の階層化フレームワーク(LEAP)について紹介する。 LEAPは、モデリング戦略を越えて、未スクリーンのセルラインでの予測性能を一貫して改善する。
  論文  参考訳（メタデータ） (2025-02-21T18:12:36Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)

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。