論文の概要: Multimodal 3D Genome Pre-training
- arxiv url: http://arxiv.org/abs/2504.09060v1
- Date: Sat, 12 Apr 2025 03:31:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:53:38.220614
- Title: Multimodal 3D Genome Pre-training
- Title（参考訳）: マルチモーダル3Dゲノム事前学習
- Authors: Minghao Yang, Pengteng Li, Yan Liang, Qianyi Cai, Zhihang Zheng, Shichen Zhang, Pengfei Zhang, Zhi-An Huang, Hui Xiong,
- Abstract要約: MIX-HICは3次元ゲノム構造とエピジェノミック・トラックを融合した3次元ゲノムの最初のマルチモーダル基盤モデルである。
正確なヘテロジニアスなセマンティックフュージョンを実現するため、ロバストな統一表現のためのクロスモーダル相互作用とマッピングブロックを設計する。
高品質な事前学習のためのHi-Cコンタクトマップとエピゲノミクストラックの100万以上のサンプルからなる,最初の大規模データセットを紹介した。
- 参考スコア（独自算出の注目度）: 19.251471971427687
- License:
- Abstract: Deep learning techniques have driven significant progress in various analytical tasks within 3D genomics in computational biology. However, a holistic understanding of 3D genomics knowledge remains underexplored. Here, we propose MIX-HIC, the first multimodal foundation model of 3D genome that integrates both 3D genome structure and epigenomic tracks, which obtains unified and comprehensive semantics. For accurate heterogeneous semantic fusion, we design the cross-modal interaction and mapping blocks for robust unified representation, yielding the accurate aggregation of 3D genome knowledge. Besides, we introduce the first large-scale dataset comprising over 1 million pairwise samples of Hi-C contact maps and epigenomic tracks for high-quality pre-training, enabling the exploration of functional implications in 3D genomics. Extensive experiments show that MIX-HIC can significantly surpass existing state-of-the-art methods in diverse downstream tasks. This work provides a valuable resource for advancing 3D genomics research.
- Abstract（参考訳）: 深層学習技術は、計算生物学における3次元ゲノミクスにおける様々な解析的タスクに大きな進歩をもたらした。
しかし、3Dゲノミクスの知識に関する総合的な理解はいまだに解明されていない。
本稿では,3次元ゲノム構造とエピジェノミクストラックを統合し,統合的・包括的意味論を得る3次元ゲノムの最初のマルチモーダル基盤モデルMIX-HICを提案する。
正確なヘテロジニアス・セマンティック・フュージョン(英語版)のために、3次元ゲノム知識を正確に集約し、ロバストな統一表現のためのクロスモーダル相互作用とマッピングブロックを設計する。
さらに,高品質な事前学習のためのHi-Cコンタクトマップとエピゲノミクストラックの100万以上のサンプルからなる最初の大規模データセットを導入し,3次元ゲノミクスにおける機能的意味の探索を可能にした。
大規模な実験により、MIX-HICは様々な下流タスクにおいて既存の最先端手法を著しく超えることが示されている。
この研究は、3Dゲノミクス研究を進めるための貴重な資源を提供する。
関連論文リスト
- Deep Active Learning based Experimental Design to Uncover Synergistic Genetic Interactions for Host Targeted Therapeutics [4.247749070215763]
本稿では,生物知識グラフからの情報を組み込んだDeep Active Learningフレームワークを提案する。
このフレームワークは、探索と探索のトレードオフのバランスを保ち、非常に効果的な二重ノックダウンペアをピンポイントにしながら、タスク特異的な遺伝子表現を生成することができる。
これは、評価可能なスケールの二重遺伝子ノックダウン実験データに対する有望な結果を示す最初の研究である。
論文 参考訳（メタデータ） (2025-02-03T03:03:21Z) - Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。
一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文 参考訳（メタデータ） (2024-06-17T07:43:53Z) - Histo-Genomic Knowledge Distillation For Cancer Prognosis From Histopathology Whole Slide Images [7.5123289730388825]
ゲノムインフォームドハイパーアテンションネットワーク(G-HANet)は、トレーニング中にヒストリーゲノム知識を効果的に蒸留することができる。
ネットワークは、クロスモーダル・アソシエーション・ブランチ(CAB)とハイパーアテンション・サバイバル・ブランチ(HSB)から構成される。
論文 参考訳（メタデータ） (2024-03-15T06:20:09Z) - Machine and deep learning methods for predicting 3D genome organization [0.0]
3次元(3D)エンハンサー相互作用は、遺伝子発現を調節することにより、幅広い細胞プロセスにおいて重要な役割を果たす。
機械学習の手法は、欠落した3Dインタラクションを入手したり、解像度を向上したりするための代替手段として登場した。
本稿では,3種類の3次元インタラクション(EPI,インタラクション,TAD境界)を予測し,その長所と短所を解析するための計算ツールについて論じる。
論文 参考訳（メタデータ） (2024-03-04T19:04:41Z) - MGCT: Mutual-Guided Cross-Modality Transformer for Survival Outcome
Prediction using Integrative Histopathology-Genomic Features [2.3942863352287787]
Mutual-Guided Cross-Modality Transformer (MGCT) は、注意に基づくマルチモーダル学習フレームワークである。
腫瘍微小環境における遺伝子型-フェノタイプ相互作用をモデル化するために,組織学的特徴とゲノム的特徴を組み合わせたMGCTを提案する。
論文 参考訳（メタデータ） (2023-11-20T10:49:32Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples [6.381153836752796]
3次元組織画像処理のためのボリュームブロック解析(MAMBA)のためのModality-Agnostic Multiple Case Learningを提案する。
3Dブロックベースのアプローチでは、MAMBAは2Dの単一スライスによる予測よりも優れた受信特性曲線(AUC)の0.86と0.74の領域を達成している。
さらに, 組織体積が大きくなることで予後が向上し, サンプリングバイアスによるリスク予測のばらつきが軽減されることが示唆された。
論文 参考訳（メタデータ） (2023-07-27T14:48:02Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳（メタデータ） (2023-06-13T14:43:13Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-14T13:14:24Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z)
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。