論文の概要: ProteinPNet: Prototypical Part Networks for Concept Learning in Spatial Proteomics

• arxiv url: http://arxiv.org/abs/2512.02983v1
• Date: Tue, 02 Dec 2025 18:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.996793
• Title: ProteinPNet: Prototypical Part Networks for Concept Learning in Spatial Proteomics
• Title（参考訳）: ProteinPNet:空間プロテオミクスにおける概念学習のためのプロトタイプ部分ネットワーク
• Authors: Louis McConnell, Jieran Sun, Theo Maffei, Raphael Gottardo, Marianna Rapsomaniki,
• Abstract要約: 本稿では,空間データからTMEモチーフを検出する部分ネットワークに基づく新しいフレームワークであるProteinPNetを提案する。 ProteinPNetは、教師付きトレーニングを通じて、差別的で解釈可能な、忠実な空間プロトタイプを直接学習する。 この結果は,TME内の解釈可能なバイオマーカーを明らかにするためのプロトタイプベースの学習の可能性を強調し,オミクスの機械的発見に寄与する。
• 参考スコア（独自算出の注目度）: 0.27185251060695437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the spatial architecture of the tumor microenvironment (TME) is critical to advance precision oncology. We present ProteinPNet, a novel framework based on prototypical part networks that discovers TME motifs from spatial proteomics data. Unlike traditional post-hoc explanability models, ProteinPNet directly learns discriminative, interpretable, faithful spatial prototypes through supervised training. We validate our approach on synthetic datasets with ground truth motifs, and further test it on a real-world lung cancer spatial proteomics dataset. ProteinPNet consistently identifies biologically meaningful prototypes aligned with different tumor subtypes. Through graphical and morphological analyses, we show that these prototypes capture interpretable features pointing to differences in immune infiltration and tissue modularity. Our results highlight the potential of prototype-based learning to reveal interpretable spatial biomarkers within the TME, with implications for mechanistic discovery in spatial omics.
• Abstract（参考訳）: 腫瘍微小環境(TME)の空間構造を理解することは,精密腫瘍学の進歩に不可欠である。 本稿では,空間的プロテオミクスデータからTMEモチーフを検出するプロトタイプ部分ネットワークに基づく新しいフレームワークであるProteinPNetを提案する。 従来のポストホック説明可能性モデルとは異なり、ProteinPNetは、教師付きトレーニングを通じて、差別的で解釈可能な、忠実な空間プロトタイプを直接学習する。 地中真理をモチーフとした合成データセットへのアプローチを検証するとともに,実世界の肺がん空間プロテオミクスデータセット上でテストする。 プロテインPNetは、異なる腫瘍サブタイプに対応する生物学的に意味のあるプロトタイプを一貫して同定する。 グラフィカルおよび形態学的解析により,これらのプロトタイプは免疫浸潤と組織モジュラリティの差異を示す解釈可能な特徴を捉えていることがわかった。 この結果は,TME内の解釈可能な空間バイオマーカーを明らかにするためのプロトタイプベースの学習の可能性を強調し,空間オミクスにおける機械的発見を示唆するものである。

関連論文リスト

• Towards Open-Ended Visual Scientific Discovery with Sparse Autoencoders [11.190791003373322]
  スパースオートエンコーダが基礎モデル表現からオープンな特徴発見を可能にするかどうかを問う。 生態画像に適用すると、同じ手順がセグメンテーションや部分ラベルにアクセスせずに微細な解剖学的構造を表面化する。 この結果から, スパース分解は, 科学基盤モデルが何を学んだかを調べるための実践的な手段となることが示唆された。
  論文  参考訳（メタデータ） (2025-11-21T19:38:07Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• Neural Proteomics Fields for Super-resolved Spatial Proteomics Prediction [8.424059461071614]
  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。
  論文  参考訳（メタデータ） (2025-08-24T14:53:12Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  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)
• AI-powered virtual tissues from spatial proteomics for clinical diagnostics and biomedical discovery [4.608421774700912]
  生体組織のための基盤モデルフレームワークであるVirTuesを,分子,細胞,組織規模で運用する。 VirTuesは、空間次元とマーカー次元の両方をキャプチャする新しいトークン化スキームを含む、トランスフォーマーアーキテクチャ設計の革新を導入している。 ジェネラリストモデルとして、VirTuesは、臨床診断、生物学的発見、患者ケース検索タスクにまたがる既存のアプローチより優れている。
  論文  参考訳（メタデータ） (2025-01-10T15:17:27Z)
• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)

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。