論文の概要: AuraGenome: An LLM-Powered Framework for On-the-Fly Reusable and Scalable Circular Genome Visualizations
- arxiv url: http://arxiv.org/abs/2507.02877v1
- Date: Wed, 18 Jun 2025 03:29:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-13 12:05:57.481659
- Title: AuraGenome: An LLM-Powered Framework for On-the-Fly Reusable and Scalable Circular Genome Visualizations
- Title（参考訳）: AuraGenome: オンザフライで再利用可能でスケーラブルな循環ゲノム可視化のためのLLMベースのフレームワーク
- Authors: Chi Zhang, Yu Dong, Yang Wang, Yuetong Han, Guihua Shan, Bixia Tang,
- Abstract要約: AuraGenomeは、迅速で再利用可能な、スケーラブルな円形ゲノム視覚化のためのフレームワークである。
AuraGenomeは、セマンティック駆動のマルチエージェントワークフローとインタラクティブなビジュアル分析システムを組み合わせたものだ。
- 参考スコア（独自算出の注目度）: 7.573142181205822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Circular genome visualizations are essential for exploring structural variants and gene regulation. However, existing tools often require complex scripting and manual configuration, making the process time-consuming, error-prone, and difficult to learn. To address these challenges, we introduce AuraGenome, an LLM-powered framework for rapid, reusable, and scalable generation of multi-layered circular genome visualizations. AuraGenome combines a semantic-driven multi-agent workflow with an interactive visual analytics system. The workflow employs seven specialized LLM-driven agents, each assigned distinct roles such as intent recognition, layout planning, and code generation, to transform raw genomic data into tailored visualizations. The system supports multiple coordinated views tailored for genomic data, offering ring, radial, and chord-based layouts to represent multi-layered circular genome visualizations. In addition to enabling interactions and configuration reuse, the system supports real-time refinement and high-quality report export. We validate its effectiveness through two case studies and a comprehensive user study. AuraGenome is available at: https://github.com/Darius18/AuraGenome.
- Abstract（参考訳）: 循環ゲノムの可視化は構造的変異と遺伝子制御の探索に不可欠である。
しかし、既存のツールは複雑なスクリプティングと手動の設定を必要とすることが多く、プロセスの時間がかかり、エラーが発生し、学習が困難である。
これらの課題に対処するために、我々は、高速で再利用可能な、スケーラブルな多層円形ゲノム可視化のためのLLMフレームワークであるAuraGenomeを紹介した。
AuraGenomeは、セマンティック駆動のマルチエージェントワークフローとインタラクティブなビジュアル分析システムを組み合わせたものだ。
ワークフローには7つの特殊なLSM駆動エージェントがあり、それぞれが意図認識、レイアウト計画、コード生成といった異なる役割を割り当て、生のゲノムデータをカスタマイズされた視覚化に変換する。
このシステムは、ゲノムデータ用に調整された複数のコーディネートされたビューをサポートし、リング、ラジアル、コードベースのレイアウトを提供し、多層的な円形ゲノムの可視化を表現している。
インタラクションの有効化と構成の再利用に加えて、リアルタイムのリファインメントと高品質なレポートエクスポートをサポートする。
2つのケーススタディと包括的ユーザスタディを通じてその有効性を検証する。
AuraGenome は以下の https://github.com/Darius18/AuraGenome で利用可能である。
関連論文リスト
- Show and Segment: Universal Medical Image Segmentation via In-Context Learning [43.494896215216684]
In-context Reference Image Guided framework for medical image segmentation について紹介する。
コアとなるIrisは、参照コンテキストイメージ-ラベルペアからタスク固有の情報を抽出する、軽量なコンテキストタスクエンコーディングモジュールを備えている。
タスクエンコーディングによって、Irisはワンショット推論やコンテキストサンプルアンサンブルからオブジェクトレベルのコンテキストサンプル検索、コンテキスト内検索に至るまで、さまざまな戦略をサポートする。
論文 参考訳（メタデータ） (2025-03-25T05:26:10Z) - Global graph features unveiled by unsupervised geometric deep learning [0.0]
GAUDI(Graph Autoencoder Uncovering Descriptive Information)は,幾何学的教師なしディープラーニングフレームワークである。
GAUDIは、階層的なプーリングとアップサンプリング層を備えた革新的な時間ガラスアーキテクチャを採用し、接続情報を保存するためにスキップ接続を介してリンクする。
我々は、小型世界のネットワークのモデリング、超解像顕微鏡からのアセンブリのキャラクタリゼーション、Vicsekモデルにおける集合運動の解析、脳の接続性の変化の年齢変化の把握など、複数のアプリケーションにまたがるそのパワーを実証する。
論文 参考訳（メタデータ） (2025-03-07T16:38:41Z) - Comprehensive Generative Replay for Task-Incremental Segmentation with Concurrent Appearance and Semantic Forgetting [49.87694319431288]
一般的なセグメンテーションモデルは、異なる画像ソースからの様々なオブジェクトを含む様々なタスクに対して、ますます好まれている。
画像とマスクのペアを合成することで外観と意味の知識を復元する包括的生成(CGR)フレームワークを提案する。
漸進的タスク(心身、基礎、前立腺のセグメンテーション)の実験は、同時出現と意味的忘れを緩和する上で、明らかな優位性を示している。
論文 参考訳（メタデータ） (2024-06-28T10:05:58Z) - FlashRAG: A Modular Toolkit for Efficient Retrieval-Augmented Generation Research [70.6584488911715]
検索増強世代(RAG)は、かなりの研究関心を集めている。
既存のRAGツールキットは、しばしば重くて柔軟であり、研究者のカスタマイズのニーズを満たすことができない。
我々のツールキットは16の高度なRAGメソッドを実装し、38のベンチマークデータセットを収集し、整理した。
論文 参考訳（メタデータ） (2024-05-22T12:12:40Z) - LasUIE: Unifying Information Extraction with Latent Adaptive
Structure-aware Generative Language Model [96.889634747943]
全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。
UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。
7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
論文 参考訳（メタデータ） (2023-04-13T04:01:14Z) - A System for Morphology-Task Generalization via Unified Representation
and Behavior Distillation [28.041319351752485]
本研究では,多量の熟練した行動データを蒸留することにより,様々な形態のエージェントを操り,様々なタスクをこなす単一ポリシーを学習する方法について検討する。
本稿では, 観測, 行動, 目標/タスクを統一されたグラフ表現で扱うモルフォロジー・タスクグラフを紹介する。
また,多種多様な形態とタスクの組み合わせの手続き的生成を支援する高速な大規模行動生成のためのMxT-Benchを開発した。
論文 参考訳（メタデータ） (2022-11-25T18:52:48Z) - Imitation of Manipulation Skills Using Multiple Geometries [20.21868546298435]
本稿では,座標系の辞書から最適表現を抽出し,観測された動きを表現する学習手法を提案する。
本研究では,シミュレーションおよび7軸フランカ・エミカロボットのグリーピングおよびボックスオープニングタスクに適用する。
論文 参考訳（メタデータ） (2022-03-02T15:19:33Z) - GenURL: A General Framework for Unsupervised Representation Learning [58.59752389815001]
教師なし表現学習(URL)は、教師なしの高次元データのコンパクトな埋め込みを学習する。
本稿では,様々なURLタスクにスムーズに適応可能な類似性ベースの統合URLフレームワークGenURLを提案する。
実験により、GenURLは、自己教師付き視覚学習、無教師付き知識蒸留(KD)、グラフ埋め込み(GE)、次元縮小において、一貫した最先端性能を達成することが示された。
論文 参考訳（メタデータ） (2021-10-27T16:24:39Z) - Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。
より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文 参考訳（メタデータ） (2021-03-05T10:46:16Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。