論文の概要: Modeling GRNs with a Probabilistic Categorical Framework

• arxiv url: http://arxiv.org/abs/2508.13208v1
• Date: Sat, 16 Aug 2025 14:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.655758
• Title: Modeling GRNs with a Probabilistic Categorical Framework
• Title（参考訳）: 確率的カテゴリフレームワークによるGRNのモデリング
• Authors: Yiyang Jia, Zheng Wei, Zheng Yang, Guohong Peng,
• Abstract要約: この研究は確率的カテゴリGRN(PC-GRN)フレームワークを導入している。 これは3つのコア方法論の相乗的統合に基づく新しい理論的アプローチである。 このフレームワークは、GRNの数学的に厳密で生物学的に解釈可能で不確実性を認識した表現を提供する。
• 参考スコア（独自算出の注目度）: 6.929340252997961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the complex and stochastic nature of Gene Regulatory Networks (GRNs) remains a central challenge in systems biology. Existing modeling paradigms often struggle to effectively capture the intricate, multi-factor regulatory logic and to rigorously manage the dual uncertainties of network structure and kinetic parameters. In response, this work introduces the Probabilistic Categorical GRN(PC-GRN) framework. It is a novel theoretical approach founded on the synergistic integration of three core methodologies. Firstly, category theory provides a formal language for the modularity and composition of regulatory pathways. Secondly, Bayesian Typed Petri Nets (BTPNs) serve as an interpretable,mechanistic substrate for modeling stochastic cellular processes, with kinetic parameters themselves represented as probability distributions. The central innovation of PC-GRN is its end-to-end generative Bayesian inference engine, which learns a full posterior distribution over BTPN models (P (G, {\Theta}|D)) directly from data. This is achieved by the novel interplay of a GFlowNet, which learns a policy to sample network topologies, and a HyperNetwork, which performs amortized inference to predict their corresponding parameter distributions. The resulting framework provides a mathematically rigorous, biologically interpretable, and uncertainty-aware representation of GRNs, advancing predictive modeling and systems-level analysis.
• Abstract（参考訳）: 遺伝子調節ネットワーク(GRN)の複雑で確率的な性質を理解することは、システム生物学における中心的な課題である。 既存のモデリングパラダイムは、複雑で多要素の規制論理を効果的に捉え、ネットワーク構造と運動パラメータの二重不確実性を厳格に管理するのに苦労することが多い。 これに対し、本研究では、確率的カテゴリGRN(PC-GRN)フレームワークを導入している。 これは3つのコア方法論の相乗的統合に基づく新しい理論的アプローチである。 第一に、圏論は規制経路のモジュラリティと構成のための形式言語を提供する。 第二に、ベイズ型ペトリネット(BTPNs)は確率過程をモデル化するための解釈可能な機械的基質として機能し、力学パラメータ自体は確率分布として表される。 PC-GRN の中心的な革新は、データから直接 BTPN モデル (P (G, {\Theta}|D)) 上の完全な後部分布を学習する、エンドツーエンドのベイズ推論エンジンである。 これは、ネットワークトポロジをサンプリングするポリシーを学ぶGFlowNetと、対応するパラメータの分布を予測するために償却推論を実行するHyperNetworkの相互作用によって実現される。 結果として得られるフレームワークは、GRNの数学的に厳密で生物学的に解釈可能で不確実性を意識した表現を提供し、予測モデリングとシステムレベルの分析を前進させる。

関連論文リスト

• Neural Expectation Operators [2.1756081703276]
  本稿では,非線形予測によるあいまいさをモデル化するためのパラダイムであるtextbfMeasure Learningを紹介する。 我々はニューラル期待演算子を、ドライバがニューラルネットワークによってパラメータ化される後方微分方程式(BSDEs)の解として定義する。 本稿では,建築設計による凸性などの重要な公理特性の強化のための建設的手法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T06:19:28Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• Generative Flow Networks: Theory and Applications to Structure Learning [7.6872614776094]
  この論文は、ベイズの観点からの構造学習の問題を研究する。 ジェネレーティブフローネットワーク(GFlowNets)を導入 GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
  論文  参考訳（メタデータ） (2025-01-09T17:47:17Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
  本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。 最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。 本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:04:47Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• On Neural Networks as Infinite Tree-Structured Probabilistic Graphical Models [44.676210493587256]
  本稿では,ニューラルネットワークに対応する無限木構造PGMを構築することにより,革新的な解を提案する。 我々の研究は、DNNが前方伝播中に、この代替のPGM構造において正確であるPGMの近似を実行することを明らかにした。
  論文  参考訳（メタデータ） (2023-05-27T21:32:28Z)
• Sequence Learning Using Equilibrium Propagation [2.3361887733755897]
  Equilibrium Propagation (EP) は、バックプロパゲーションのような従来の学習フレームワークに代わる、強力でより生物学的な代替手段である。 現代のホップフィールドネットワークにおける最近の発展を利用して、エネルギーベースモデルをさらに理解し、EPを用いた複雑なシーケンス分類タスクのためのソリューションを開発する。
  論文  参考訳（メタデータ） (2022-09-14T20:01:22Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)

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。