論文の概要: G2PDiffusion: Genotype-to-Phenotype Prediction with Diffusion Models

• arxiv url: http://arxiv.org/abs/2502.04684v1
• Date: Fri, 07 Feb 2025 06:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:57:55.511867
• Title: G2PDiffusion: Genotype-to-Phenotype Prediction with Diffusion Models
• Title（参考訳）: G2PDiffusion:拡散モデルを用いたジェノタイプからフェノタイプへの予測
• Authors: Mengdi Liu, Zhangyang Gao, Hong Chang, Stan Z. Li, Shiguang Shan, Xinlin Chen,
• Abstract要約: 本稿では,G2PDiffusionについて紹介する。G2PDiffusionは,複数の種にまたがる遺伝子型からフェノタイプへの拡散モデルである。 我々は,形態的表現型を種間で表現するために画像を使用し,条件付き画像生成として表現型予測を再定義する。
• 参考スコア（独自算出の注目度）: 88.92328481750178
• License:
• Abstract: Discovering the genotype-phenotype relationship is crucial for genetic engineering, which will facilitate advances in fields such as crop breeding, conservation biology, and personalized medicine. Current research usually focuses on single species and small datasets due to limitations in phenotypic data collection, especially for traits that require visual assessments or physical measurements. Deciphering complex and composite phenotypes, such as morphology, from genetic data at scale remains an open question. To break through traditional generic models that rely on simplified assumptions, this paper introduces G2PDiffusion, the first-of-its-kind diffusion model designed for genotype-to-phenotype generation across multiple species. Specifically, we use images to represent morphological phenotypes across species and redefine phenotype prediction as conditional image generation. To this end, this paper introduces an environment-enhanced DNA sequence conditioner and trains a stable diffusion model with a novel alignment method to improve genotype-to-phenotype consistency. Extensive experiments demonstrate that our approach enhances phenotype prediction accuracy across species, capturing subtle genetic variations that contribute to observable traits.
• Abstract（参考訳）: 遺伝子型とフェノタイプの関係を明らかにすることは遺伝子工学にとって不可欠であり、作物の育種、保護生物学、パーソナライズド医療などの分野の進歩を促進する。 現在の研究は、表現型データ収集の制限、特に視覚的アセスメントや物理的測定を必要とする特徴のために、単一の種と小さなデータセットに焦点を当てている。 大規模な遺伝データから、形態学のような複雑で複合的な表現型を解読することは、未解決の問題である。 単純化された仮定に依存する従来のジェネリックモデルを理解するために,複数の種にまたがる遺伝子型からフェノタイプ生成のための第一種拡散モデルであるG2PDiffusionを紹介した。 具体的には、形態的表現型を種間で表現するために画像を使用し、条件付き画像生成として表現型予測を再定義する。 そこで本研究では,環境に配慮したDNAシークエンスコンディショナーを導入し,新しいアライメント法で安定拡散モデルを訓練し,ジェノタイプからフェノタイプへの一貫性を向上させる。 広範囲にわたる実験により,本手法は種間での表現型予測精度を高め,観測可能な形質に寄与する微妙な遺伝的変異を捉えた。

関連論文リスト

• CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-phenotype Associations [6.5678927417916455]
  我々は、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、コントラスト符号付きグラフ拡散ネットワーク(CSGDN)を提案する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2024-10-10T01:01:10Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• On The Nature Of The Phenotype In Tree Genetic Programming [3.8642945120580703]
  ツリーベースGP(TGP)における遺伝子型と表現型の基本概念について論じる。 次に、5つのベンチマークデータセットを使ってその振る舞いを分析する。 表現型を生成するために,GP木から意味的に非効率なコードを取り除くユニークな手法を提案する。
  論文  参考訳（メタデータ） (2024-02-12T19:19:29Z)
• Analyzing Bias in Diffusion-based Face Generation Models [75.80072686374564]
  拡散モデルは、合成データ生成と画像編集アプリケーションでますます人気がある。 本研究では, 性別, 人種, 年齢などの属性に関して, 拡散型顔生成モデルにおけるバイアスの存在について検討する。 本研究は,GAN(Generative Adversarial Network)とGAN(Generative Adversarial Network)をベースとした顔生成モデルにおいて,データセットサイズが属性組成および知覚品質に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-05-10T18:22:31Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Probabilistic Genotype-Phenotype Maps Reveal Mutational Robustness of RNA Folding, Spin Glasses, and Quantum Circuits [0.0]
  本稿では,各遺伝子型を表現型確率ベクトルにマッピングする確率的遺伝子型フェノタイプマップを紹介する。 本研究では,PrGPマップが様々な物理源から生じる不確実性に対処可能な一般化されたフレームワークを提供することを示す3つのモデルシステムについて検討する。 PrGPロバストネスの挙動に関する解析理論を導出し、この理論が経験的ロバストネスの予測性が高いことを示す。
  論文  参考訳（メタデータ） (2023-01-04T23:09:38Z)
• Phenotype Search Trajectory Networks for Linear Genetic Programming [8.079719491562305]
  中立性(英: Neutrality)は、いくつかの突然変異が表現型変化を起こさないという観察である。 遺伝的プログラミングシステムの探索軌跡をグラフベースモデルとして検討する。 遺伝子型とコルモゴロフ複雑性を含む表現型の特徴を測定した。
  論文  参考訳（メタデータ） (2022-11-15T21:20:50Z)
• rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
  56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。 アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。 ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
  論文  参考訳（メタデータ） (2022-03-31T20:15:22Z)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)

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。