Fugu-MT 論文翻訳(概要): Neural Proteomics Fields for Super-resolved Spatial Proteomics Prediction

論文の概要: Neural Proteomics Fields for Super-resolved Spatial Proteomics Prediction

arxiv url: http://arxiv.org/abs/2508.17389v1
Date: Sun, 24 Aug 2025 14:53:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-26 18:43:45.498366
Title: Neural Proteomics Fields for Super-resolved Spatial Proteomics Prediction
Title（参考訳）: 超解空間プロテオミクス予測のためのニューラルプロテオミクス場
Authors: Bokai Zhao, Weiyang Shi, Hanqing Chao, Zijiang Yang, Yiyang Zhang, Ming Song, Tianzi Jiang,
Abstract要約: シークエンシングに基づく空間空間(seq-SP)のための空間超解像の新しい課題について紹介する。神経プロテオミクスフィールド(NPF)は、各組織専用のネットワークをトレーニングすることにより、連続空間におけるタンパク質再構成問題としてセック-SPを定式化する。 NPFは、より少ない学習可能なパラメータで最先端のパフォーマンスを達成し、空間研究を進める可能性を強調している。
参考スコア（独自算出の注目度）: 8.424059461071614
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spatial proteomics maps protein distributions in tissues, providing transformative insights for life sciences. However, current sequencing-based technologies suffer from low spatial resolution, and substantial inter-tissue variability in protein expression further compromises the performance of existing molecular data prediction methods. In this work, we introduce the novel task of spatial super-resolution for sequencing-based spatial proteomics (seq-SP) and, to the best of our knowledge, propose the first deep learning model for this task--Neural Proteomics Fields (NPF). NPF formulates seq-SP as a protein reconstruction problem in continuous space by training a dedicated network for each tissue. The model comprises a Spatial Modeling Module, which learns tissue-specific protein spatial distributions, and a Morphology Modeling Module, which extracts tissue-specific morphological features. Furthermore, to facilitate rigorous evaluation, we establish an open-source benchmark dataset, Pseudo-Visium SP, for this task. Experimental results demonstrate that NPF achieves state-of-the-art performance with fewer learnable parameters, underscoring its potential for advancing spatial proteomics research. Our code and dataset are publicly available at https://github.com/Bokai-Zhao/NPF.
Abstract（参考訳）: 空間プロテオミクスは組織内のタンパク質の分布をマッピングし、生命科学に変革的な洞察を与える。しかし、現在のシークエンシングベースの技術は、空間分解能が低く、タンパク質発現における相同性は、既存の分子データ予測手法の性能をさらに損なう。本稿では,シークエンシングに基づく空間プロテオミクス(seq-SP)のための空間超解法という新しい課題を紹介し,我々の知る限り,この課題のための最初の深層学習モデルであるニューラルプロテオミクス場(NPF)を提案する。 NPFは、各組織専用のネットワークをトレーニングすることにより、連続空間におけるタンパク質再構成問題としてSeq-SPを定式化する。このモデルは、組織特異的なタンパク質空間分布を学習する空間モデリングモジュールと、組織特異的な形態的特徴を抽出する形態モデリングモジュールから構成される。さらに,厳密な評価を容易にするため,オープンソースのベンチマークデータセットであるPseudo-Visium SPを構築した。実験の結果,NPFは学習可能なパラメータが少なく,空間プロテオミクス研究を推し進める可能性が示唆された。私たちのコードとデータセットはhttps://github.com/Bokai-Zhao/NPF.comで公開されています。

関連論文リスト

PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [80.08310253195144]
PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
論文参考訳（メタデータ） (2025-07-07T15:21:05Z)
A Foundation Model for Spatial Proteomics [12.03739424653581]
ファンデーションモデルは、多くのタスクに適応可能な事前訓練されたジェネラリストバックボーンとして機能することで、画像解析を変換し始めている。ここでは空間イメージングのための基礎モデルであるKRONOSを紹介する。 KRONOSは、175のタンパク質マーカー、16の組織タイプ、8の蛍光ベースのイメージングプラットフォームをカバーする4700万以上の画像パッチを自己監督的に訓練した。
論文参考訳（メタデータ） (2025-06-03T20:30:25Z)
Geometric Neural Process Fields [58.77241763774756]
幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。 3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
論文参考訳（メタデータ） (2025-02-04T14:17:18Z)
Multi-Scale Representation Learning for Protein Fitness Prediction [31.735234482320283]
これまでの手法は主に、巨大でラベルなしのタンパク質配列や構造データセットに基づいて訓練された自己教師型モデルに依存してきた。本稿では,タンパク質の機能を統合する新しいマルチモーダル表現学習フレームワークであるSequence-Structure-Surface Fitness (S3F)モデルを紹介する。提案手法は,タンパク質言語モデルからの配列表現と,タンパク質のバックボーンと詳細な表面トポロジーをコードするGeometric Vector Perceptronネットワークを組み合わせる。
論文参考訳（メタデータ） (2024-12-02T04:28:10Z)
Querying functional and structural niches on spatial transcriptomics data [7.240034062898855]
空間転写学は、空間的文脈における遺伝子発現のプロファイリングを可能にする。空間ニッチは、生理的および病理学的過程において凝集的かつ反復的な単位として機能することが明らかにされている。我々は、ニッチ・オブ・ニッチ(NOI)を与えられたSTサンプル間で類似したニッチを識別するニッチ・クエリータスクを定義した。我々は、この課題を解決するための特殊な方法であるQueSTを開発した。
論文参考訳（メタデータ） (2024-10-14T16:01:27Z)
Enhancing Surface Neural Implicits with Curvature-Guided Sampling and Uncertainty-Augmented Representations [37.42624848693373]
本研究では,高忠実度3次元再構成作業において,深度画像を直接消化する手法を提案する。高効率なトレーニングデータを生成するため,簡単なサンプリング手法を提案する。その単純さにもかかわらず、本手法は古典的および学習的ベースラインの両方に優れる。
論文参考訳（メタデータ） (2023-06-03T12:23:17Z)
Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文参考訳（メタデータ） (2023-05-31T16:31:24Z)
Characterizing the Latent Space of Molecular Deep Generative Models with Persistent Homology Metrics [21.95240820041655]
変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
論文参考訳（メタデータ） (2020-10-18T13:33:02Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。