論文の概要: Transfer Orthology Networks

• arxiv url: http://arxiv.org/abs/2510.15837v1
• Date: Fri, 17 Oct 2025 17:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.726814
• Title: Transfer Orthology Networks
• Title（参考訳）: 移動オーソロジーネットワーク
• Authors: Vikash Singh,
• Abstract要約: Transfer Orthology Networks (TRON) は、異種間移動学習用に設計されたニューラルネットワークアーキテクチャである。 TRONは、ソースから標的種の遺伝子空間に遺伝子発現をマッピングする線形変換を学ぶ。 我々は、TRONアーキテクチャの実験的検証を得るために、異種交雑種のトランスクリプトーム/フェノタイプデータを収集している最中である。
• 参考スコア（独自算出の注目度）: 0.09229852843814061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Transfer Orthology Networks (TRON), a novel neural network architecture designed for cross-species transfer learning. TRON leverages orthologous relationships, represented as a bipartite graph between species, to guide knowledge transfer. Specifically, we prepend a learned species conversion layer, whose weights are masked by the biadjacency matrix of this bipartite graph, to a pre-trained feedforward neural network that predicts a phenotype from gene expression data in a source species. This allows for efficient transfer of knowledge to a target species by learning a linear transformation that maps gene expression from the source to the target species' gene space. The learned weights of this conversion layer offer a potential avenue for interpreting functional orthology, providing insights into how genes across species contribute to the phenotype of interest. TRON offers a biologically grounded and interpretable approach to cross-species transfer learning, paving the way for more effective utilization of available transcriptomic data. We are in the process of collecting cross-species transcriptomic/phenotypic data to gain experimental validation of the TRON architecture.
• Abstract（参考訳）: 本稿では,異種間移動学習のためのニューラルネットワークアーキテクチャであるTransfer Orthology Networks(TRON)を紹介する。 TRONは、種間の二部グラフとして表される直交関係を利用して、知識伝達を導く。 具体的には、この二部グラフの分岐行列によって重みが隠蔽される学習された種変換層を、ソース種の遺伝子発現データから表現型を予測する訓練済みフィードフォワードニューラルネットワークにプリペイドする。 これにより、ソースからターゲット種の遺伝子空間に遺伝子発現をマッピングする線形変換を学ぶことで、標的種への知識の効率的な伝達が可能になる。 この変換層の学習された重みは、機能的正統性を理解するための潜在的な道を提供し、種を横断した遺伝子が関心の表現型にどのように貢献するかについての洞察を提供する。 TRONは、生物学的に根底から解釈可能な、異種間移動学習のアプローチを提供し、利用可能な転写データをより効果的に活用するための道を開いた。 我々は、TRONアーキテクチャの実験的検証を得るために、異種交雑種のトランスクリプトーム/フェノタイプデータを収集している最中である。

関連論文リスト

• PEaRL: Pathway-Enhanced Representation Learning for Gene and Pathway Expression Prediction from Histology [8.879502752288325]
  本稿では PEaRL (Pathway Enhanced Representation Learning) について述べる。 3つのがんSTデータセット全体でPEaRLはSOTA法を一貫して上回り、遺伝子レベルでの発現予測と経路レベルでの表現予測の精度が向上した。
  論文  参考訳（メタデータ） (2025-10-03T19:21:23Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• G2PDiffusion: Cross-Species Genotype-to-Phenotype Prediction via Evolutionary Diffusion [108.94237816552024]
  本稿では,DNAから形態像を生成する最初の遺伝子型対フェノタイプ拡散モデル(G2PDiffusion)を提案する。 本モデルは,1)保存および共進化パターンを識別するMSA検索エンジン,2)複雑なジェノタイプ-環境相互作用を効果的にモデル化する環境対応MSA条件エンコーダ,3)遺伝子型-フェノタイプ整合性を改善する適応型表現的アライメントモジュールを含む。
  論文  参考訳（メタデータ） (2025-02-07T06:16:31Z)
• Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis [27.30616253053021]
  クセノラーニング(xeno-learning)は、クセノ移植に触発された異種間知識伝達パラダイムである。 臓器のスペクトルは種によって異なるが,病理学や外科手術による相対的な変化は同等である。 結果として生じる倫理的、金銭的、そしてパフォーマンス上の利点は、提案された知識伝達パラダイムに高い影響を約束する。
  論文  参考訳（メタデータ） (2024-10-15T16:25:16Z)
• MuSe-GNN: Learning Unified Gene Representation From Multimodal Biological Graph Data [22.938437500266847]
  マルチモーダル類似性学習グラフニューラルネットワークという新しいモデルを提案する。 マルチモーダル機械学習とディープグラフニューラルネットワークを組み合わせて、単一セルシークエンシングと空間転写データから遺伝子発現を学習する。 本モデルでは, 遺伝子機能, 組織機能, 疾患, 種進化の解析のために, 統合された遺伝子表現を効率よく生成する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:53Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Classification and Visualization of Genotype x Phenotype Interactions in Biomass Sorghum [7.9880851102831185]
  単一ヌクレオチド多型(SNP)と関連するSNP群との関係を理解するための簡単なアプローチを導入する。 このパイプラインは、さまざまなSNPの参照バージョンと代替バージョンを持つ植物のイメージを区別するために、深層畳み込みニューラルネットワーク(CNN)を訓練する。
  論文  参考訳（メタデータ） (2021-08-09T14:39:23Z)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)

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。