論文の概要: Curriculum-Augmented GFlowNets For mRNA Sequence Generation

• arxiv url: http://arxiv.org/abs/2510.03811v1
• Date: Sat, 04 Oct 2025 13:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.26819
• Title: Curriculum-Augmented GFlowNets For mRNA Sequence Generation
• Title（参考訳）: mRNA配列生成のためのカリキュラム強化GFlowNet
• Abstract要約: 本稿では,多目的GFlowNetとカリキュラム学習を統合し,デノボmRNA配列を生成するカリキュラム拡張GFlowNetを提案する。 また、GFlowNetsの新しいmRNA設計環境を提供することにより、標的タンパク質配列と生物学的目的の組み合わせが与えられ、プラウシブルmRNA候補を生成するモデルのトレーニングが可能になる。
• 参考スコア（独自算出の注目度）: 21.487360156680605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing mRNA sequences is a major challenge in developing next-generation therapeutics, since it involves exploring a vast space of possible nucleotide combinations while optimizing sequence properties like stability, translation efficiency, and protein expression. While Generative Flow Networks are promising for this task, their training is hindered by sparse, long-horizon rewards and multi-objective trade-offs. We propose Curriculum-Augmented GFlowNets (CAGFN), which integrate curriculum learning with multi-objective GFlowNets to generate de novo mRNA sequences. CAGFN integrates a length-based curriculum that progressively adapts the maximum sequence length guiding exploration from easier to harder subproblems. We also provide a new mRNA design environment for GFlowNets which, given a target protein sequence and a combination of biological objectives, allows for the training of models that generate plausible mRNA candidates. This provides a biologically motivated setting for applying and advancing GFlowNets in therapeutic sequence design. On different mRNA design tasks, CAGFN improves Pareto performance and biological plausibility, while maintaining diversity. Moreover, CAGFN reaches higher-quality solutions faster than a GFlowNet trained with random sequence sampling (no curriculum), and enables generalization to out-of-distribution sequences.
• Abstract（参考訳）: 安定性、翻訳効率、タンパク質発現などの配列特性を最適化しながら、可能なヌクレオチドの組み合わせの広大な空間を探索することを含むため、mRNA配列の設計は次世代の治療薬の開発において大きな課題である。 Generative Flow Networksはこのタスクに期待していますが、トレーニングはスパース、ロングホライゾンの報酬、多目的トレードオフによって妨げられています。 本稿では,多目的GFlowNetとカリキュラム学習を統合し,デノボmRNA配列を生成するCurriculum-Augmented GFlowNets (CAGFN)を提案する。 CAGFNは、より簡単なサブプロブレムからより難しいサブプロブレムへの探索を導く最大シーケンス長を徐々に適応させる長さベースのカリキュラムを統合している。 また、GFlowNetsの新しいmRNA設計環境を提供することにより、標的タンパク質配列と生物学的目的の組み合わせが与えられ、プラウシブルmRNA候補を生成するモデルのトレーニングが可能になる。 これは、治療シーケンス設計にGFlowNetを適用して前進するための生物学的に動機付けられた設定を提供する。 異なるmRNA設計タスクにおいて、CAGFNは多様性を維持しながらパレート性能と生物学的妥当性を改善している。 さらに、CAGFNは、ランダムなシーケンスサンプリング(カリキュラムなし)で訓練されたGFlowNetよりも高速に高品質なソリューションに到達し、アウト・オブ・ディストリビューションシーケンスへの一般化を可能にする。

関連論文リスト

• mRNAutilus: Multi-Objective-Guided Discrete Generation of mRNA with Optimized Therapeutic Properties [3.5240650455251625]
  未知の軌跡と情報潜伏更新(mRNAutilus)によるmRNA生成について述べる。 mRNAutilusは、列から直接コドン最適化とデノボ UTR 設計を同時に行うためのフレームワークである。 プライマリ・編集 (PEMax) やプログラム可能なプロテオーム・モジュレーション (Proteome modulation) など, 治療条件における汎用性を示す。
  論文  参考訳（メタデータ） (2026-05-29T13:32:39Z)
• Multimodal Alignment and Preference Optimization for Zero-Shot Conditional RNA Generation [17.221063819653626]
  条件RNA配列生成を多段階アライメント問題として,モイラインを導入した。 我々のアプローチは、RNAコーパスの大規模プレトレーニングから始まり、配列の妥当性を捉える。 ターゲット特異的な生成を実現するために、タンパク質の構造的およびシーケンシャルな特徴に対してRNA合成を条件とするマルチモーダルSFTアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2026-05-12T10:54:09Z)
• RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction [48.07329582311906]
  本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。 スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
  論文  参考訳（メタデータ） (2026-05-12T06:48:58Z)
• Protein-Conditioned Multi-Objective Reinforcement Learning for Full-Length mRNA Design [2.9395143551178333]
  本稿では,ターゲット配列から直接mRNA転写物を生成する多目的生成フレームワークProMORNAを提案する。 私たちのアプローチは、600万以上の天然タンパク-mRNAペア上で、BARTスタイルのエンコーダ-デコーダモデルをトレーニングすることから始まります。 ケーススタディとして,広範に使用されているホタルルシフェラーゼターゲットのProMORNAを,教師付きトレーニングデータとプロンプトプールの両方から除外して評価した。
  論文  参考訳（メタデータ） (2026-05-02T16:05:51Z)
• RNAGenScape: Property-guided Optimization and Interpolation of mRNA Sequences with Manifold Langevin Dynamics [14.76553653030291]
  RNAGenScapeは、学習された潜在多様体内のmRNA配列を反復的に更新するプロパティ誘導多様体ランゲヴィン動的フレームワークである。 プロパティ誘導最適化とシーケンス間のスムーズな設計をサポートし、希少でアンサンプされたデータの下で堅牢なままである。 RNAGenScapeはmRNA配列モデリングにおける制御可能なmRNA設計と潜時空間探索のパラダイムを確立している。
  論文  参考訳（メタデータ） (2025-10-14T19:55:41Z)
• A New Deep-learning-Based Approach For mRNA Optimization: High Fidelity, Computation Efficiency, and Multiple Optimization Factors [12.26159226306187]
  我々は,mRNA最適化のための新しい深層学習手法である textbfRNop を紹介する。 我々は,300万以上のシーケンスを含む大規模データセットを収集し,GPLoss,CAILoss,tAILoss,MFELossという4つの特別な損失関数を設計する。 RNopはハイシークエンスを保証し、47.32シークエンス/秒までの計算スループットを実現し、最適化されたmRNAシークエンスを生成する。
  論文  参考訳（メタデータ） (2025-05-29T08:21:11Z)
• Regulatory DNA sequence Design with Reinforcement Learning [56.20290878358356]
  本稿では,強化学習を利用して事前学習した自己回帰モデルを微調整する生成手法を提案する。 2つの酵母培地条件下でのプロモーター設計タスクの評価と,3種類のヒト細胞に対するエンハンサー設計タスクの評価を行った。
  論文  参考訳（メタデータ） (2025-03-11T02:33:33Z)
• BAnG: Bidirectional Anchored Generation for Conditional RNA Design [15.92155083519678]
  既存の計算手法では、特定のタンパク質ごとに既知のRNA配列がかなり必要である。 RNA-BAnGは,タンパク質相互作用のためのRNA配列を生成するための深層学習モデルである。
  論文  参考訳（メタデータ） (2025-02-28T17:51:00Z)
• Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [55.98854157265578]
  Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。 本稿では、RNAを逆転写し、アミノ酸をヌクレオチド配列に変換することで、マルチオミクスデータを統合する統一パイプラインを提案する。 Life-Codeは3つのオミクスにまたがる様々なタスクの最先端の結果を達成し、マルチオミクス分析と解釈の進歩の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-11T06:53:59Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching [0.0]
  本稿では,フローマッチングに基づくRNA配列設計のための汎用フレームワークであるRNACG(RNA Generator)を提案する。 1つのフレームワークでシーケンス生成を統一することにより、RNACGは複数のRNA設計パラダイムの統合を可能にする。
  論文  参考訳（メタデータ） (2024-07-29T09:46:46Z)
• Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
  タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。 我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。 我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
  論文  参考訳（メタデータ） (2024-05-30T17:53:50Z)
• Pessimistic Backward Policy for GFlowNets [40.00805723326561]
  本稿では,与えられた報酬関数に比例してオブジェクトをサンプリングする生成フローネットワーク(GFlowNets)について検討する。 本研究では,GFlowNetが低軌道の訓練により,高逆対象を過小評価する傾向にあることを示す。 本稿では,GFlowNetsに対する悲観的なバックワードポリシーを提案し,観測されたフローを最大化し,オブジェクトに対する真の報酬と密接に一致させる。
  論文  参考訳（メタデータ） (2024-05-25T02:30:46Z)
• Dynamic Backtracking in GFlowNets: Enhancing Decision Steps with Reward-Dependent Adjustment Mechanisms [15.232212376437024]
  本稿では,新規なGFN, Dynamic Backtracking GFN(DB-GFN)を提案する。 DB-GFNは、現在の状態の報酬値に応じて、ネットワーク構築プロセス中のバックトラックを可能にする。 LS-GFNやGTBなどのGFNモデルよりも、サンプル品質、サンプル探索量、トレーニング収束速度が優れている。
  論文  参考訳（メタデータ） (2024-04-08T14:52:48Z)
• Pre-Training and Fine-Tuning Generative Flow Networks [61.90529626590415]
  本稿では,GFlowNetの報酬なし事前学習のための新しいアプローチを提案する。 自己指導型問題としてトレーニングをフレーミングすることで,候補空間の探索を学習する結果条件付きGFlowNetを提案する。 事前学習したOC-GFNモデルにより、下流タスクにおける新しい報酬関数をサンプリングできるポリシーを直接抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:53:22Z)
• Trajectory balance: Improved credit assignment in GFlowNets [63.687669765579585]
  従来提案したGFlowNetの学習目標,フローマッチング,詳細なバランスは,長いアクションシーケンスをまたいだ非効率な信用伝播の傾向が示唆された。 本稿では,GFlowNetsの新しい学習目標であるトラジェクトリバランスを,従来使用されていた目的に対して,より効率的な代替手段として提案する。 4つの異なる領域の実験において、GFlowNet収束のための軌道バランス目標の利点、生成されたサンプルの多様性、長いアクションシーケンスや大きなアクション空間に対する堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2022-01-31T14:07:49Z)

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。