論文の概要: MUSS: A Multi-scale and Sequence-based Model for Single-cell Gene Regulation

• arxiv url: http://arxiv.org/abs/2611.08086v1
• Date: Thu, 05 Nov 2026 14:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.53935
• Title: MUSS: A Multi-scale and Sequence-based Model for Single-cell Gene Regulation
• Title（参考訳）: MUSS: シングルセル遺伝子制御のためのマルチスケールおよびシーケンスベースモデル
• Abstract要約: MUSSは、単一細胞遺伝子制御のためのシーケンスベースのマルチスケールモデルである。 凍結したプレトレーニング配列エンコーダを用いて、DNAからピークレベルおよび遺伝子レベルの表現を統合する。 シークエンスベースとシングルセルオミクスベースラインに対して高いパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 2.763664761692222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling gene regulation in single cells requires jointly representing DNA sequence, chromatin accessibility, and gene expression across regulatory scales. Sequence-based models capture DNA-level regulatory grammar but often lack cell-level resolution, whereas many single-cell omics models represent genes and peaks as fixed-vocabulary tokens without their underlying sequence. Here, we present MUSS, a sequence-based multi-scale model for single-cell gene regulation that preserves both DNA-level and cell-level resolution. MUSS derives peak- and gene-level representations from DNA using a frozen pre-trained sequence encoder and integrates them through peak-peak self-attention and distance-biased peak-gene interactions. Peak masked language modeling followed by training on paired scATAC-seq and scRNA-seq aligns these representations with cell-specific regulatory states. Across gene expression prediction, enhancer-gene linking, motif-guided regulatory prioritization, and zero-shot cell clustering, MUSS achieves strong performance against sequence-based and single-cell omics baselines. It further predicts expression for genes and peaks unseen during task training. These results support sequence-grounded, multi-scale representations for decoding cell-type-specific regulatory programs. Code, datasets, and model checkpoints are available at https://github.com/Lotfollahi-lab/MUSS_neurips26.
• Abstract（参考訳）: 単一細胞の遺伝子制御をモデル化するには、DNA配列、クロマチンアクセシビリティ、および調節スケールでの遺伝子発現を共同で表現する必要がある。 シーケンスベースのモデルはDNAレベルの規則文法をキャプチャするが、細胞レベルでの解像度を欠くことが多いが、多くのシングルセルオミクスモデルは、その基盤となる配列を含まない固定語彙トークンとして遺伝子とピークを表現している。 そこで本研究では,DNAレベルでの分解能と細胞レベルでの分解能を両立する単一細胞遺伝子制御のための配列ベースマルチスケールモデルであるMUSSを提案する。 MUSSは凍結訓練された配列エンコーダを用いてDNAからピークレベルおよび遺伝子レベルの表現を誘導し、ピークピークの自己アテンションと距離バイアスのピーク遺伝子相互作用を通じてそれらを統合する。 ピークマスキング言語モデリングの後、ペア化された scATAC-seq と scRNA-seq のトレーニングはこれらの表現を細胞特異的な制御状態と整合させる。 遺伝子発現予測、エンハンサー遺伝子リンク、モチーフ誘導制御優先化、ゼロショットセルクラスタリングなどを通じて、MUSSはシークエンスベースおよびシングルセルオミクスベースラインに対して強いパフォーマンスを達成する。 さらに、タスクトレーニング中に見つからない遺伝子やピークの表現を予測する。 これらの結果は、セルタイプ固有の規制プログラムを復号化するためのシーケンスグラウンド、マルチスケール表現をサポートする。 コード、データセット、モデルチェックポイントはhttps://github.com/Lotfollahi-lab/MUSS_neurips26で公開されている。

関連論文リスト

• Prototype Guided Post-pretraining for Single-Cell Representation Learning [0.0]
  遺伝子発現データからの単一細胞表現学習は、細胞機能の基礎となる複雑な制御ロジックを明らかにする手段を提供する。 遺伝子をトークンとして扱い、細胞を文として扱う、いくつかの単細胞事前訓練モデルが最近提案されている。 本稿では,単細胞基礎モデルの事前学習段階と微調整段階の間で動作するポストプレトレーニング手法であるCellRefineを紹介する。
  論文  参考訳（メタデータ） (2026-05-08T16:08:10Z)
• STRAND: Sequence-Conditioned Transport for Single-Cell Perturbations [31.08466183513241]
  STRANDは、制御DNA配列の条件付けによって単一細胞の応答を予測する生成モデルである。 配列による摂動を表現することは、遺伝子識別子の固定セットではなく、訓練中に見えないlociでのゼロショット推論をサポートする。 K562, Jurkat, RPE1細胞におけるCRISPR摂動データセットのSTRANDを評価する。
  論文  参考訳（メタデータ） (2026-02-10T00:57:38Z)
• Ctrl-DNA: Controllable Cell-Type-Specific Regulatory DNA Design via Constrained RL [17.05124539734196]
  Ctrl-DNAは、制御可能な細胞型特異性を持つ制御DNA配列の設計に適した、制約付き強化学習フレームワークである。 ヒトプロモーターとエンハンサーの評価は、Ctrl-DNAが既存の生成的およびRLベースのアプローチより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-26T23:27:50Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• DNAZEN: Enhanced Gene Sequence Representations via Mixed Granularities of Coding Units [18.113659670915474]
  ゲノムモデリングは、伝統的に遺伝子配列を言語として扱い、その構造的モチーフと言語単位や組織原理に類似した長距離依存を反映している。 遺伝子配列の様々な粒度から学習するための改良されたゲノム表現フレームワークであるDNAZENを提案する。 トランスフォーマーベースのG-gramエンコーダも提案され、一致したG-gramを入力して表現を計算し、基本単位のエンコーダに統合する。
  論文  参考訳（メタデータ） (2025-05-04T18:02:28Z)
• Learning to Discover Regulatory Elements for Gene Expression Prediction [59.470991831978516]
  Seq2Expは、ターゲット遺伝子発現を駆動する制御要素を発見し、抽出するために設計されたSequence to Expressionネットワークである。 本手法は, エピジェノミックシグナル, DNA 配列とその関連因子の因果関係を捉える。
  論文  参考訳（メタデータ） (2025-02-19T03:25:49Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)

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。