論文の概要: A HyperGraphMamba-Based Multichannel Adaptive Model for ncRNA Classification

• arxiv url: http://arxiv.org/abs/2509.20240v1
• Date: Wed, 24 Sep 2025 15:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.88079
• Title: A HyperGraphMamba-Based Multichannel Adaptive Model for ncRNA Classification
• Title（参考訳）: ncRNA分類のためのハイパーGraphMambaに基づくマルチチャネル適応モデル
• Authors: Xin An, Ruijie Li, Qiao Ning, Hui Li, Qian Ma, Shikai Guo,
• Abstract要約: 非コードRNA(ncRNA)は、遺伝子発現調節と様々な疾患の病原性において重要な役割を担っている。 本稿では,HGMamba-ncRNAを提案する。HGMamba-ncRNAはHyperGraphMambaをベースとしたマルチチャネル適応モデルである。 3つの公開データセットで実施された実験は、HGMamba-ncRNAが精度やその他の指標で常に最先端の手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 7.598192367116628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-coding RNAs (ncRNAs) play pivotal roles in gene expression regulation and the pathogenesis of various diseases. Accurate classification of ncRNAs is essential for functional annotation and disease diagnosis. To address existing limitations in feature extraction depth and multimodal fusion, we propose HGMamba-ncRNA, a HyperGraphMamba-based multichannel adaptive model, which integrates sequence, secondary structure, and optionally available expression features of ncRNAs to enhance classification performance. Specifically, the sequence of ncRNA is modeled using a parallel Multi-scale Convolution and LSTM architecture (MKC-L) to capture both local patterns and long-range dependencies of nucleotides. The structure modality employs a multi-scale graph transformer (MSGraphTransformer) to represent the multi-level topological characteristics of ncRNA secondary structures. The expression modality utilizes a Chebyshev Polynomial-based Kolmogorov-Arnold Network (CPKAN) to effectively model and interpret high-dimensional expression profiles. Finally, by incorporating virtual nodes to facilitate efficient and comprehensive multimodal interaction, HyperGraphMamba is proposed to adaptively align and integrate multichannel heterogeneous modality features. Experiments conducted on three public datasets demonstrate that HGMamba-ncRNA consistently outperforms state-of-the-art methods in terms of accuracy and other metrics. Extensive empirical studies further confirm the model's robustness, effectiveness, and strong transferability, offering a novel and reliable strategy for complex ncRNA functional classification. Code and datasets are available at https://anonymous.4open.science/r/HGMamba-ncRNA-94D0.
• Abstract（参考訳）: 非コードRNA(ncRNA)は、遺伝子発現調節と様々な疾患の病原性において重要な役割を担っている。 ncRNAの正確な分類は、機能的アノテーションと疾患診断に不可欠である。 特徴抽出深度とマルチモーダル融合の既存の制限に対処するため,HGMamba-ncRNAを提案する。 具体的には、ncRNAの配列はMKC-L(Multiscale Convolution and LSTM architecture)を用いてモデル化され、ヌクレオチドの局所パターンと長距離依存性の両方を捉える。 構造モダリティは、ncRNA二次構造の多レベル位相特性を表現するために、マルチスケールグラフ変換器(MSGraphTransformer)を用いる。 表現のモダリティは、Chebyshev Polynomial ベースの Kolmogorov-Arnold Network (CPKAN) を用いて、高次元の表現プロファイルを効果的にモデル化し、解釈する。 最後に、仮想ノードを組み込んで効率よく包括的なマルチモーダル相互作用を実現することにより、HyperGraphMambaは適応的に多チャネル不均一なモーダル特徴を整列し統合することを提案する。 3つの公開データセットで実施された実験は、HGMamba-ncRNAが精度やその他の指標で常に最先端の手法より優れていることを示した。 広範囲にわたる実証研究により、モデルの堅牢性、有効性、および強い伝達性をさらに確認し、複雑なncRNA機能分類のための新規で信頼性の高い戦略を提供する。 コードとデータセットはhttps://anonymous.4open.science/r/HGMamba-ncRNA-94D0で公開されている。

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• CodonMoE: DNA Language Models for mRNA Analyses [4.046100165562807]
  ゲノム言語モデル (gLMs) は、生物学的モダリティ(DNAとRNA)ごとに別々の特殊モデルを維持するか、大規模なマルチモーダルアーキテクチャを開発するかという、基本的な効率上の課題に直面している。 我々は、DNA言語モデルをRNA固有の事前学習なしで効果的なRNAアナライザに変換する軽量なアダプタであるCodonMoEを紹介した。 我々のアプローチは、ゲノム言語モデリングを統一し、より豊富なDNAデータを活用し、計算オーバーヘッドを減らすための原則化された経路を提供する。
  論文  参考訳（メタデータ） (2025-08-06T01:40:12Z)
• RiboGen: RNA Sequence and Structure Co-Generation with Equivariant MultiFlow [0.0]
  RiboGenはRNA配列と全原子3D構造を同時に生成する最初のディープラーニングモデルである。 実験の結果,RiboGenは化学的に可塑性かつ自己持続的なRNAサンプルを効率的に生成できることがわかった。
  論文  参考訳（メタデータ） (2025-03-03T21:19:11Z)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
  scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。 本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。 scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
  論文  参考訳（メタデータ） (2024-08-09T09:10:36Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Accurate RNA 3D structure prediction using a language model-based deep learning approach [50.193512039121984]
  RhoFold+はRNA言語モデルに基づくディープラーニング手法で、配列から単一鎖RNAの3次元構造を正確に予測する。 RhoFold+はRNA 3D構造予測のための完全に自動化されたエンドツーエンドパイプラインを提供する。
  論文  参考訳（メタデータ） (2022-07-04T17:15:35Z)
• Classification of Long Noncoding RNA Elements Using Deep Convolutional Neural Networks and Siamese Networks [17.8181080354116]
  この論文は、cRNA配列を分類するために、ディープ畳み込みニューラルネットワーク(CNN)の新たな手法を提案する。 その結果、CNNベースの分類モデルにより効率よく解ける画像分類プロブレムに、クラスサイズRNA配列を変換する。
  論文  参考訳（メタデータ） (2021-02-10T17:26:38Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。