🤖 machine learning

Chreode: A Cell World Model for One-Step Temporal Dynamics and Perturbation Prediction

Chreode は、分布の進化を学習時にシフトさせる構造化された残差遷移演算子を活用して時間的ダイナミクスと遺伝的摂動を予測する事前学習済みの一ステップ細胞世界モデルであり、それによって発生軌道モデリングとゼロショット摂動応答予測の両方で最先端のパフォーマンスを達成する。

原著者： Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen

公開日 2026-05-28

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

細胞を、広大で起伏に富んだ地形を転がる小さく複雑なボールと想像してください。この地形は「ワッデンゲントランドスケープ」と呼ばれ、細胞が取りうるすべての状態を表しています。深い谷（心筋細胞や皮膚細胞のような安定した細胞型）もあれば、高い山頂もあります。通常、ボールは重力（発生）によって自然に谷へと転がりますが、風（遺伝的変化）に押されたり、流れ（生物学的リズム）によって回転したりすることもあります。

Chreodeは、そのボールを押し出したり、一定時間転がしたりした場合に、どこに到達するかを正確に予測するように設計された新しいコンピュータプログラムです。その仕組みを簡単な概念に分解して説明します。

1. 問題点：「スナップショット」対「映画」

細胞に関する以前のほとんどのコンピュータモデルは、コンサート前の群衆のスナップショットと、後のスナップショットを撮影するようなものです。これらは二つの写真を比較して群衆がどのように変化したかを推測しようとしますが、コンサート自体の映像（動画）は捨ててしまいます。群衆が「どの速さ」で移動したか、あるいは「どの方向」に回転していたかはわからないのです。

他のモデルは、映画をフレームごとに観るように、動きをステップバイステップでシミュレーションしようとします。しかし、スタジアム全体の人々が数時間にわたって移動する様子をシミュレーションしたい場合、数百万フレームを観る必要があります。これには永遠の時間がかかり、莫大な計算資源を必要とします。

2. 解決策：Chreode の「一歩の跳躍」

Chreode は異なります。映画をフレームごとに観る代わりに、地形のルールを非常に深く学習することで、最終的な目的地を単一の跳躍で予測します。

トレーニング： 著者らは Chreode に、240 万個のマウスの胚性細胞の膨大なライブラリ（発達の異なる段階からの「前後」のスナップショットの巨大なライブラリのようなもの）を与えました。
「世界モデル」： Chreode を熟練した地図製作者と想像してください。それは単に経路を暗記するのではなく、丘の形状、流れの強さ、風の不規則性を学習します。
予測： 「この細胞（薬物や遺伝子の変化）を押し出して 5 日間待てば、どこにいるだろうか？」と尋ねられたとき、Chreode は 5 日分の微小なステップをシミュレーションしません。単一のステップで答えを計算します。スライダーの物理学を非常に深く理解しているため、誰かが滑り降りる様子を観察しなくても、着地する場所を正確に言い当てられるようなものです。

3. 移動の計算方法

Chreode は細胞の動きを、移動のレシピのように 3 つの明確な部分に分解します。

谷への転がり： 細胞は自然に最も近い谷（安定した状態）へと転がろうとします。Chreode はこの「重力」を計算します。
回転： 細胞は単に転がるだけでなく、回転したり循環したり（細胞分裂のように）することがあります。Chreode はこれを考慮して「回転力」を加えます。
揺らぎ： 生物学は不規則です。細胞は完璧な直線には移動せず、揺れ動きます。Chreode は予測を現実的なものにするために「ランダムな揺らぎ」を加えます。

これら 3 つの要素を 1 つの式に組み合わせて、新しい状態を瞬時に予測します。

4. 実際の成果（結果）

この論文は、Chreode を 2 つの主要なタスクでテストしました。

発達の予測： 彼らは血液細胞の形成（Weinreb）と膵臓細胞の形成（Veres）でこれをテストしました。Chreode は、他のトップモデルと比較して、細胞がどこに到達するかをより正確に予測し、さらにはるかに高速に行いました（数十回ではなく、1 回のコンピュータ処理で完了）。
遺伝的「押し」の予測： 彼らは、Chreode が発達（細胞が自然に成長する方法）から学習した知識が、遺伝子を破壊した場合（CRISPR を使用）に何が起こるかを予測するのに役立つかどうかをテストしました。
- アナロジー： 通常の道路での車の運転（発達）を学習すると想像してください。その後、「ブレーキ線を切断したらどうなるか？」（遺伝的攪乱）と尋ねられたとします。Chreode は、ブレーキ故障について明示的に教えられたことはなかったにもかかわらず、通常の運転に関する知識を用いて、衝突を驚くほどよく予測しました。
- 結果： Chreode の「脳」を既存のツール GEARS に組み込むことで、遺伝的変化の予測精度が**12.4%**向上しました。

5. 何ではないか（限界）

著者らは、この論文が何を行わないかについて非常に明確にしています。

それは、あらゆる細胞型についてすべてを知る一般的な「AI 細胞」ではありません。
マウスの胚でトレーニングされました。遺伝子が類似しているため、ヒトの細胞へある程度の知識を転移できますが、成人のヒト組織や臨床患者ではまだテストされていません。
実際の研究室実験の必要性を代替するものではありません。それは、まずシミュレーションを行うことで科学者がより良い実験を計画するのを助けるツールです。

要約： Chreode は、マウスのデータの膨大なライブラリから細胞移動の「物理学」を学習する、高速で賢明なシミュレーターです。時間経過に伴う細胞の変化や、薬物・遺伝子による押し出しを単一の瞬間に予測でき、スーパーコンピュータが数値を計算するのを待つことなく生物学をシミュレーションしたい科学者にとっての近道を提供します。

技術的サマリー：Chreode – 1 ステップ時間ダイナミクスおよび摂動予測のための細胞ワールドモデル

問題定義

発生シグナルまたは遺伝的摂動下での細胞の転写状態の変化を予測することは、in-silico生物学およびAIバーチャルセルプログラムの核心である。既存のアプローチは、以下の4つの重大な限界に直面している：

時間データの未活用： ほとんどの手法は、破壊的なscRNA-seスナップショットを静的な対照から処置へのマッピングに集約し、時系列データに内在する変化率情報を廃棄している。
不適切な作用モデリング： 多くのモデルは、介入（薬剤、ノックアウト）を連結されるべき潜在的文脈として扱い、因果的なdo-計算介入として扱わないため、構成的または軌道依存性の摂動を解決できない。
高い推論コスト： 多ステップソルバ（ODE、シュレーディンガー橋）は、すべてのクエリに対して反復的積分を必要とする。スクリーニングレベルのクエリ（ $10^8$ 組）にスケーリングすると、 $10^{10}$ 回のフォワードパスという禁止的な計算コストが生じる。
生物学的帰納バイアスの欠如： 現在のフローマッチングおよび最適輸送手法は、速度場を汎用的なニューラルネットワークとしてパラメータ化し、ワッディングトンの地形（下りポテンシャル流、回転電流、および確率的広がり）の生物学的構造を無視している。

手法：Chreode

Chreodeは、構造化された残差遷移演算子を通じて、作用条件付きの細胞状態遷移 $p(z_{t+\Delta} | z_t, \text{do}(a))$ を予測する1ステップ細胞ワールドモデルとして導入される。

1. コアアーキテクチャ：ワッディングトン残差

反復的なロールアウトの代わりに、Chreodeは入力状態 $z_t$ に学習された残差 $R_\theta$ を加えることで、単一のフォワードパスにおいて将来の潜在状態 $\hat{z}_{t+\Delta}$ を予測する：
$\hat{z}_{t+\Delta} = z_t + \alpha(\Delta) \cdot R_\theta(z_t, \Delta, a, \epsilon)$
ここで、 $\alpha(\Delta) = 1 - e^{-\Delta/\tau}$ は、 $\Delta=0$ において変化がゼロとなることを保証する学習可能な時間ゲートである。残差 $R_\theta$ は、3つの生物学的に解釈可能な成分に分解される：

下りポテンシャル流 ( $-\nabla_z U_\theta$ )： 学習されたポテンシャル関数 $U_\theta$ の負勾配であり、細胞を低ポテンシャルの運命盆地へと駆動する。
反対称流 ( $S_\theta z_t$ )： 非平衡電流（例：細胞周期）をモデル化する回転成分である。 $S_\theta$ は、正確な反対称性 ( $S_\theta^\top = -S_\theta$ ) を保証するために $P_\theta Q_\theta^\top - Q_\theta P_\theta^\top$ としてパラメータ化される。
確率的広がり ( $\sigma_\theta \odot \epsilon$ )： 内在的な生物学的変動性を捉えるための要素ごとのノイズスケーリング。

2. 訓練パイプライン

Chreodeは、240万細胞のマウス胚性アトラス（7データセット、88時間点）を用いた2段階の事前学習レシピを採用する：

ステージ1（エンコーダ）： 共有scVIエンコーダを、固定された種間オルソログ語彙（16,520のマウス - ヒト1対1オルソログ）上で訓練し、凍結された潜在表現を生成する。
ステージ2（ダイナミクスバックボーン）： DiTベース（拡散トランスフォーマー）のバックボーンが、1ステップ遷移演算子を学習する。これはDengら[2026]から適応された集団レベルのドリフト場損失を使用し、以下のものを組み合わせる：
- 分布一致のためのカーネルMMDおよびSinkhorn $W_2$ 。
- 平衡整合性を強制するドリフト場項 ( $L_{drift}$ )。
- 上り移動を防止する下り正則化項 ( $L_{down}$ )。
時間埋め込みの分離： 長距離外挿中の安定性を確保するため、ポテンシャル分岐は柔軟なTime2Vec埋め込みを使用し、反対称分岐は回転率が未見の周波数にドリフトするのを防ぐために有界の低周波フーリエコードを使用する。

3. 転送モード

事前学習されたバックボーンは、2つの異なるダウンストリーム転送モードをサポートする：

ファインチューニング初期化： バックボーンは、保持されたデータセット（例：Weinreb造血、Veres膵島分化）における時間遷移予測のためのモデルを初期化する。
遺伝子状態埋め込み注入： 事前学習されたダイナミクス表現は、GEARSの訓練手順を変更することなく、既存のGEARS摂動予測器における遺伝子状態埋め込みとして注入される。

主要な結果

時間ダイナミクス予測

Weinreb造血： 調整されたChreodeは、マッチングされたスクラッチモデル、PI-SDE、およびPRESCIENTと比較して、4日目および6日目で最低のSinkhorn $W_2$ 距離を達成する。
Veres膵島分化： Chreodeは、すべての7つのターゲット時間点（ $t=1$ から7）において、すべてのベースライン（PI-SDEおよびPRESCIENTを含む）を上回る。
ゼロショットクローン運命： 微調整なしで凍結されたバックボーンを使用すると、Chreodeは強力な動的OTベースライン（moscot、WOT）およびニューラルSDEベースライン（scDiffEq）と競争力のあるクローン運命スコア（ピアソン相関 $r=0.468$ ）を生成する。

摂動予測

Norman Perturb-seq： 遺伝子状態埋め込みとしてGEARS内で使用された場合、事前学習されたダイナミクス表現は、共有語彙DE20の平均二乗誤差（MSE）を0.2121から0.1858に減少させ、12.4%の相対的改善をもたらす。これは、発生軌跡ダイナミクスがCRISPR誘発状態シフトに転送可能なプリミティブを符号化していることを示唆している。

効率性

推論速度： Chreodeは単一のフォワードパス（1 NFE）でクエリを解決し、単一のNVIDIA A100上でPRESCIENTよりも約3.0倍、CellFlowよりも6.3倍高速である。この償却は、 $10^8$ クエリスクリーンのスケーリングにとって決定的である。

意義と主張

本論文は、Chreodeが以下の要素を組み合わせる最初の細胞基盤モデルであると主張している：

単一ステップ推論（遷移コストの償却）。
ダウンストリームデータセット全体で共有される事前学習されたバックボーン。
時間および作用の条件付けの同時処理。
速度をポテンシャル勾配、反対称流、および確率的広がりとして明示的に分解する構造化された残差事前分布。

著者らは、発生ダイナミクスが摂動予測へ成功裏に転送されたことを、両プロセスが整合的な軌跡に沿って細胞状態多様体を横断する証拠として解釈している。分布進化を推論時から訓練時にシフトさせることで、Chreodeはワッディングトンに着想を得た分解を維持しつつ、単一パス生成を可能にする。この研究は、多ステップソルバおよび静的摂動マップに対するスケーラブルで生物学的に根拠のある代替手段を提供することで、「AIバーチャルセル」アジェンダへの構造的貢献として位置づけられている。

著者が指摘する限界：

事前学習はマウス胚性データに限定されており、種間転送はオルソログマッピングのみに依存している。
時間遷移転送は、最適な性能のために微調整（厳密なゼロショットではない）を必要とする。
摂動転送は、スタンドアロンの摂動演算子を提案するのではなく、GEARSアーキテクチャを再利用している。
スケール（240万細胞）は、専有データ上で訓練された同時の大型細胞ワールドモデルよりも小さい。