論文の概要: Adaptive Data-Knowledge Alignment in Genetic Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2510.00512v1
• Date: Wed, 01 Oct 2025 04:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.388772
• Title: Adaptive Data-Knowledge Alignment in Genetic Perturbation Prediction
• Title（参考訳）: 遺伝的摂動予測における適応型データ知識アライメント
• Authors: Yuanfang Xiang, Lun Ai,
• Abstract要約: ALIGNEDは、Abductive Learningパラダイムに基づいた、神経象徴的なフレームワークである。 神経と象徴的な要素を整合させ、体系的な知識の洗練を行う。 その結果,ALIGNEDは高いバランスの取れた一貫性を達成し,最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transcriptional response to genetic perturbation reveals fundamental insights into complex cellular systems. While current approaches have made progress in predicting genetic perturbation responses, they provide limited biological understanding and cannot systematically refine existing knowledge. Overcoming these limitations requires an end-to-end integration of data-driven learning and existing knowledge. However, this integration is challenging due to inconsistencies between data and knowledge bases, such as noise, misannotation, and incompleteness. To address this challenge, we propose ALIGNED (Adaptive aLignment for Inconsistent Genetic kNowledgE and Data), a neuro-symbolic framework based on the Abductive Learning (ABL) paradigm. This end-to-end framework aligns neural and symbolic components and performs systematic knowledge refinement. We introduce a balanced consistency metric to evaluate the predictions' consistency against both data and knowledge. Our results show that ALIGNED outperforms state-of-the-art methods by achieving the highest balanced consistency, while also re-discovering biologically meaningful knowledge. Our work advances beyond existing methods to enable both the transparency and the evolution of mechanistic biological understanding.
• Abstract（参考訳）: 遺伝子摂動に対する転写応答は、複雑な細胞系に対する基本的な洞察を明らかにする。 現在のアプローチでは、遺伝的摂動反応の予測が進んでいるが、生物学的理解は限られており、既存の知識を体系的に洗練することはできない。 これらの制限を克服するには、データ駆動学習と既存の知識のエンドツーエンドの統合が必要です。 しかし、この統合は、ノイズ、誤記、不完全性など、データと知識ベース間の不整合のために困難である。 そこで我々は,ABL(Abductive Learning)パラダイムに基づくニューロシンボリック・フレームワークであるALIGNED(Adaptive aLignment for Inconsistent Genetic kNowledgE and Data)を提案する。 このエンドツーエンドのフレームワークは、ニューラルネットワークとシンボリックコンポーネントを整列し、体系的な知識の洗練を実行する。 データと知識の両方に対する予測の一貫性を評価するために、バランスの取れた一貫性指標を導入する。 以上の結果から,ALIGNEDは生物学的に有意な知識を再発見しつつ,高いバランスの整合性を達成し,最先端の手法よりも優れていたことが示唆された。 我々の研究は、機械的生物学的理解の透明性と進化を可能にするために、既存の方法を超えて進んでいる。

関連論文リスト

• Data-driven Discovery of Digital Twins in Biomedical Research [1.1852406625172218]
  生物時系列からデジタル双生児を自動的に推定する手法について検討する。 我々は8つの生物学的・方法論的課題に応じてアルゴリズムを評価する。 我々は、革新的な事前知識の統合を可能にするディープラーニングと大規模言語モデルの出現する役割を強調します。
  論文  参考訳（メタデータ） (2025-08-29T10:10:02Z)
• A Systematic Evaluation of Knowledge Graph Embeddings for Gene-Disease Association Prediction [0.0]
  本研究は,ノード対分類タスクに対してリンク予測の性能を比較するための新しいフレームワークを提案する。 また、疾患特異的なオントロジーによる意味豊かさの影響や、評価間の追加的な関連性も評価する。 その結果、エンコードされた疾患の表現を豊かにすることは、パフォーマンスをわずかに改善する一方、追加リンクはより大きな影響を与えることがわかった。
  論文  参考訳（メタデータ） (2025-04-11T11:11:35Z)
• Learning to refine domain knowledge for biological network inference [2.209921757303168]
  摂動実験により、生物学者は興味のある変数間の因果関係を発見することができる。 これらのデータの空間性と高次元性は因果構造学習アルゴリズムに重大な課題をもたらす。 そこで本研究では,データ観測に基づくドメイン知識の補修アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T12:53:23Z)
• Extending Complex Logical Queries on Uncertain Knowledge Graphs [50.360531130930646]
  機械学習に基づく論理クエリ応答の研究は、大規模かつ不完全な知識グラフによる推論を可能にする。 我々は,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答するために,前方推論と後方校正の両方を組み込んだニューラルシンボリックアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-03T13:13:53Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence [59.11038175596807]
  継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。 既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。 本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:43:58Z)
• Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
  疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
  論文  参考訳（メタデータ） (2023-02-18T13:57:44Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。