論文の概要: CrossLLM-Mamba: Multimodal State Space Fusion of LLMs for RNA Interaction Prediction

• arxiv url: http://arxiv.org/abs/2602.22236v1
• Date: Mon, 23 Feb 2026 19:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.31118
• Title: CrossLLM-Mamba: Multimodal State Space Fusion of LLMs for RNA Interaction Prediction
• Title（参考訳）: CrossLLM-Mamba:RNA相互作用予測のためのLLMのマルチモーダル状態空間融合
• Authors: Rabeya Tus Sadia, Qiang Ye, Qiang Cheng,
• Abstract要約: 状態空間アライメント問題として相互作用予測を再構成する新しいフレームワークであるCrossLLM-Mambaを紹介する。 RNA-タンパク質、RNA-小分子、RNA-RNAの3つの相互作用カテゴリにわたる総合的な実験は、CrossLLM-Mambaが最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 4.05599528263557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of RNA-associated interactions is essential for understanding cellular regulation and advancing drug discovery. While Biological Large Language Models (BioLLMs) such as ESM-2 and RiNALMo provide powerful sequence representations, existing methods rely on static fusion strategies that fail to capture the dynamic, context-dependent nature of molecular binding. We introduce CrossLLM-Mamba, a novel framework that reformulates interaction prediction as a state-space alignment problem. By leveraging bidirectional Mamba encoders, our approach enables deep ``crosstalk'' between modality-specific embeddings through hidden state propagation, modeling interactions as dynamic sequence transitions rather than static feature overlaps. The framework maintains linear computational complexity, making it scalable to high-dimensional BioLLM embeddings. We further incorporate Gaussian noise injection and Focal Loss to enhance robustness against hard-negative samples. Comprehensive experiments across three interaction categories, RNA-protein, RNA-small molecule, and RNA-RNA demonstrate that CrossLLM-Mamba achieves state-of-the-art performance. On the RPI1460 benchmark, our model attains an MCC of 0.892, surpassing the previous best by 5.2\%. For binding affinity prediction, we achieve Pearson correlations exceeding 0.95 on riboswitch and repeat RNA subtypes. These results establish state-space modeling as a powerful paradigm for multi-modal biological interaction prediction.
• Abstract（参考訳）: RNA関連相互作用の正確な予測は、細胞制御を理解し、薬物発見を促進するために不可欠である。 ESM-2 や RiNALMo のような生物大言語モデル (BioLLMs) は強力なシーケンス表現を提供するが、既存の手法は分子結合の動的で文脈に依存した性質を捉えない静的融合戦略に依存している。 状態空間アライメント問題として相互作用予測を再構成する新しいフレームワークであるCrossLLM-Mambaを紹介する。 双方向のマンバエンコーダを活用することで,静的な特徴重なりではなく動的シーケンス遷移としての相互作用をモデル化し,モダリティ固有の埋め込み間の深い「クロストーク」を可能にする。 このフレームワークは線形計算複雑性を維持しており、高次元のBioLLM埋め込みにスケーラブルである。 強陰性試料に対する強靭性を高めるため,ガウスノイズインジェクションとFocal Lossを取り入れた。 RNA-タンパク質、RNA-小分子、RNA-RNAの3つの相互作用カテゴリにわたる総合的な実験は、CrossLLM-Mambaが最先端のパフォーマンスを達成することを示す。 RPI1460ベンチマークでは、我々のモデルは0.892のMCCに達し、以前の最高値5.2\%を上回った。 結合親和性予測では,リボスイッチおよびリピートRNAサブタイプにおいてピアソン相関が0.95以上に達する。 これらの結果は,マルチモーダルな生物学的相互作用予測のための強力なパラダイムとして状態空間モデリングが確立される。

関連論文リスト

• Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning [0.015229507502478598]
  本稿では, 分子グラフ, タンパク質言語モデル, および相互作用モデリングを改善するための結合部位予測から, マルチモーダル埋め込みを統合する, 対照的な学習フレームワークを提案する。 本研究は,マルチモーダル情報を比較対象に組み込むことにより,対話予測精度を高め,仮想スクリーニング分割に対してより解釈可能で信頼性の高いモデルを提供することの利点を強調した。
  論文  参考訳（メタデータ） (2026-01-09T13:39:49Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis [56.9460577864211]
  TRIDENTは、摂動と対応する遺伝子発現プロファイルの両方を条件にすることで、現実的な細胞形態を合成するカスケード生成フレームワークである。 TRIDENTは最先端のアプローチよりも優れており、目に見えない化合物への強い一般化で最大7倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-11-23T04:43:27Z)
• Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
  自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。 非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。 新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
  論文  参考訳（メタデータ） (2025-10-09T12:52:55Z)
• A HyperGraphMamba-Based Multichannel Adaptive Model for ncRNA Classification [7.598192367116628]
  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。
  論文  参考訳（メタデータ） (2025-09-24T15:31:49Z)
• AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery [7.338199946027998]
  本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。 このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。 5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-17T07:12:12Z)
• CoPRA: Bridging Cross-domain Pretrained Sequence Models with Complex Structures for Protein-RNA Binding Affinity Prediction [23.1499716310298]
  我々は,タンパク質-RNA結合親和性データセットPRA310を構築し,性能評価を行った。 我々は,(1)タンパク質-RNA結合親和性,(2)変異による結合親和性の変化を正確に予測できること,(3)データのスケーリングとモデルサイズによるメリットを広く分析し,検証する。
  論文  参考訳（メタデータ） (2024-08-21T09:48:22Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)

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。