論文の概要: Flow Matching Meets Biology and Life Science: A Survey

• arxiv url: http://arxiv.org/abs/2507.17731v1
• Date: Wed, 23 Jul 2025 17:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.116508
• Title: Flow Matching Meets Biology and Life Science: A Survey
• Title（参考訳）: フローマッチングとバイオロジーとライフサイエンス:サーベイ
• Authors: Zihao Li, Zhichen Zeng, Xiao Lin, Feihao Fang, Yanru Qu, Zhe Xu, Zhining Liu, Xuying Ning, Tianxin Wei, Ge Liu, Hanghang Tong, Jingrui He,
• Abstract要約: 拡散に基づく生成モデリングの強力な代替手段としてフローマッチングが登場した。 本稿では,フローマッチングの最近の進歩とその生物学的領域への応用に関する包括的調査について述べる。
• 参考スコア（独自算出の注目度）: 65.2146737141455
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Over the past decade, advances in generative modeling, such as generative adversarial networks, masked autoencoders, and diffusion models, have significantly transformed biological research and discovery, enabling breakthroughs in molecule design, protein generation, drug discovery, and beyond. At the same time, biological applications have served as valuable testbeds for evaluating the capabilities of generative models. Recently, flow matching has emerged as a powerful and efficient alternative to diffusion-based generative modeling, with growing interest in its application to problems in biology and life sciences. This paper presents the first comprehensive survey of recent developments in flow matching and its applications in biological domains. We begin by systematically reviewing the foundations and variants of flow matching, and then categorize its applications into three major areas: biological sequence modeling, molecule generation and design, and peptide and protein generation. For each, we provide an in-depth review of recent progress. We also summarize commonly used datasets and software tools, and conclude with a discussion of potential future directions. The corresponding curated resources are available at https://github.com/Violet24K/Awesome-Flow-Matching-Meets-Biology.
• Abstract（参考訳）: 過去10年間で、生成的敵ネットワーク、マスク付きオートエンコーダ、拡散モデルといった生成的モデリングの進歩は、生物学的研究と発見を大きく変え、分子設計、タンパク質生成、薬物発見などのブレークスルーを可能にした。 同時に、生物応用は、生成モデルの能力を評価するための貴重なテストベッドとして機能している。 近年,拡散に基づく生成モデリングの強力な代替手段としてフローマッチングが登場し,生物学や生命科学の分野への応用への関心が高まっている。 本稿では,フローマッチングの最近の進歩とその生物学的領域への応用に関する包括的調査について述べる。 まず、フローマッチングの基礎と変種を体系的にレビューし、その応用を生物配列モデリング、分子生成と設計、ペプチドとタンパク質生成の3つの主要な領域に分類する。 それぞれについて、最近の進展を詳細にレビューする。 また、一般的に使われているデータセットやソフトウェアツールを要約し、将来的な方向性についての議論で締めくくります。 対応するキュレートされたリソースはhttps://github.com/Violet24K/Awesome-Flow-Matching-Meets-Biologyで入手できる。

関連論文リスト

• Sparsity is All You Need: Rethinking Biological Pathway-Informed Approaches in Deep Learning [12.24146000012622]
  生物学的にインフォームドされたニューラルネットワークは一般的に、生体医学的応用の性能を高めるために経路アノテーションを利用する。 予測タスクのための経路ベースニューラルネットワークモデルを網羅的に分析した。 以上の結果から,経路アノテーションはノイズが多すぎるか,あるいは現在の方法では不十分である可能性が示唆された。
  論文  参考訳（メタデータ） (2025-05-07T10:14:31Z)
• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
  分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。 拡散モデルは、深い生成モデルの印象的なクラスとして現れている。 本稿では拡散モデルに基づく分子生成法について包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-13T17:22:50Z)
• A Review of BioTree Construction in the Context of Information Fusion: Priors, Methods, Applications and Trends [41.740569399988644]
  生物学的ツリー解析(BioTree)は生物学の基礎的なツールであり、進化と分化の探索を可能にする。 伝統的な木構築法は、現代の生物学的データの複雑さとスケールの増大に対処する上で、課題に直面している。 ディープラーニング(DL)の進歩は、生物学的事前知識とデータ駆動モデルとの融合を可能にすることによって、変革的な機会を提供する。
  論文  参考訳（メタデータ） (2024-10-07T08:00:41Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Leveraging Biomolecule and Natural Language through Multi-Modal Learning: A Survey [75.47055414002571]
  生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。 生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
  論文  参考訳（メタデータ） (2024-03-03T14:59:47Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Diffusion Models in Bioinformatics: A New Wave of Deep Learning Revolution in Action [16.800622727133252]
  近年、拡散モデルが最も強力な生成モデルの一つとして出現している。 本稿では,バイオインフォマティクスにおける拡散モデルの適用について概観する。
  論文  参考訳（メタデータ） (2023-02-13T15:37:23Z)
• Utilising Graph Machine Learning within Drug Discovery and Development [19.21101749270075]
  グラフ機械学習(gml)は、生体分子構造をモデル化する能力から、製薬およびバイオテクノロジー業界で注目を集めている。 本稿では,創薬・開発におけるトピックの多分野の学術・産業的考察を行う。 重要な用語とモデリングアプローチを導入した後、薬物開発パイプラインを経時的に経時的に移動し、標的の同定、小さな分子や生物の設計、薬物の再利用などを含む作業の特定と要約を行う。
  論文  参考訳（メタデータ） (2020-12-09T10:12:33Z)

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。