論文の概要: Pangenome-guided sequence assembly via binary optimisation

• arxiv url: http://arxiv.org/abs/2508.08200v1
• Date: Mon, 11 Aug 2025 17:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.233327
• Title: Pangenome-guided sequence assembly via binary optimisation
• Title（参考訳）: 二元最適化によるパンジェノム誘導配列アセンブリ
• Authors: Josh Cudby, James Bonfield, Chenxi Zhou, Richard Durbin, Sergii Strelchuk,
• Abstract要約: パンジェノム誘導配列アセンブリのためのフレームワークを提案する。 単一の参照ゲノムへのバイアスを伴わずに、複雑な領域の短読データを解決できる。 本手法は,量子コンピュータ上で実装可能なグラフ最適化問題としてアセンブリをフレーム化する。
• 参考スコア（独自算出の注目度）: 0.040993632551842324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: De novo genome assembly is challenging in highly repetitive regions; however, reference-guided assemblers often suffer from bias. We propose a framework for pangenome-guided sequence assembly, which can resolve short-read data in complex regions without bias towards a single reference genome. Our method frames assembly as a graph traversal optimisation problem, which can be implemented on quantum computers. The pipeline first annotates pangenome graphs with estimated copy numbers for each node, then finds a path on the graph that best explains those copy numbers. On simulated data, our approach significantly reduces the number of contigs compared to de novo assemblers. While it introduces a small increase in inaccuracies, such as false joins, our optimisation-based methods are competitive with current exhaustive search techniques. They are also designed to scale more efficiently as the problem size grows and will run effectively on future quantum computers.
• Abstract（参考訳）: デノボゲノム組立体は非常に反復的な地域では困難であるが、参照誘導アセンブラはしばしばバイアスに悩まされる。 単一参照ゲノムへのバイアスを伴わずに複雑な領域の短読データを解決できるパンジェノム誘導配列構築のためのフレームワークを提案する。 提案手法は,量子コンピュータ上で実装可能なグラフトラバース最適化問題としてアセンブリをフレーム化する。 パイプラインはまず、各ノードについて推定コピー数でパンジェノムグラフに注釈を付け、それからそのコピー番号を最もよく説明するグラフ上のパスを見つける。 シミュレーションデータでは,デノボアセンブラと比較して,コンチグ数を大幅に削減する。 偽結合などの不正確性は少ないが、我々の最適化に基づく手法は、現在の徹底的な探索手法と競合する。 また、問題のサイズが大きくなるにつれてより効率的にスケールでき、将来の量子コンピュータで効果的に動作するように設計されている。

関連論文リスト

• Quantum Optimization on Rydberg Atom Arrays with Arbitrary Connectivity: Gadgets Limitations and a Heuristic Approach [0.5497663232622965]
  任意のグラフから単位ディスクインスタンスへの還元の複雑性-理論的限界について論じる。 このような減少は幾何数で爆発的に起こり、解近似の保証を低下させる。 現実的な代替手段として,プリド原子配置を利用する線形オーバーヘッドのみを持つ分割・分散器を提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:50:29Z)
• GraSSRep: Graph-Based Self-Supervised Learning for Repeat Detection in Metagenomic Assembly [24.55141372357102]
  反復DNA (repeats) は、正確で効率的なゲノム組立てと配列アライメントに重大な課題をもたらす。 GraSSRepは、DNA配列を反復的および非反復的なカテゴリに分類する自己教師型学習フレームワークである。 GraSSRepはシークエンシング機能と事前定義された学習グラフ機能を組み合わせることで、繰り返し検出における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-14T18:26:58Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Neural Topological Ordering for Computation Graphs [23.225391263047364]
  エンコーダ-デコーダフレームワークを用いたトポロジ的順序付けのためのエンドツーエンドの機械学習に基づくアプローチを提案する。 このモデルでは,最大2kノードの合成グラフにおいて,いくつかのトポロジ的順序付けベースラインで,より高速に動作可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-13T00:12:02Z)
• Learning to Untangle Genome Assembly with Graph Convolutional Networks [17.227634756670835]
  我々は,グラフ畳み込みネットワークをトレーニングし,それらを経由する正しい経路を見つけることによって,アセンブリグラフを解決するための新しい学習フレームワークを導入する。 実験の結果、単一の染色体からのみ生成された模擬グラフに基づいて訓練されたモデルが、他の全ての染色体を著しく解決できることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T04:14:25Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• A step towards neural genome assembly [0.0]
  我々はMPNNモデルを最大集約器で訓練し、グラフ単純化のためのいくつかのアルゴリズムを実行する。 アルゴリズムがうまく学習され、トレーニングで使用されるグラフの最大20倍の大きさのグラフにスケールできることを示す。
  論文  参考訳（メタデータ） (2020-11-10T10:12:19Z)

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。