論文の概要: Multimodal Mixture-of-Experts with Retrieval Augmentation for Protein Active Site Identification

• arxiv url: http://arxiv.org/abs/2603.01511v1
• Date: Mon, 02 Mar 2026 06:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.718544
• Title: Multimodal Mixture-of-Experts with Retrieval Augmentation for Protein Active Site Identification
• Title（参考訳）: タンパク質活性部位同定のための検索拡張によるマルチモーダル混合実験
• Authors: Jiayang Wu, Jiale Zhou, Xingyi Zhang, Xun Lin, Tianxu Lv, Leong Hou U, Rubo Wang, Yefeng Zheng,
• Abstract要約: 本稿では,タンパク質活性部位同定のための最初の検索拡張フレームワークであるMultimodal Mixture-of-Experts with Retrieval Augmentation (MERA)を紹介する。 活性部位の予測ではAUPRCが90%,ペプチド結合部位の同定では有意な増加を示した。
• 参考スコア（独自算出の注目度）: 35.29329758342847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate identification of protein active sites at the residue level is crucial for understanding protein function and advancing drug discovery. However, current methods face two critical challenges: vulnerability in single-instance prediction due to sparse training data, and inadequate modality reliability estimation that leads to performance degradation when unreliable modalities dominate fusion processes. To address these challenges, we introduce Multimodal Mixture-of-Experts with Retrieval Augmentation (MERA), the first retrieval-augmented framework for protein active site identification. MERA employs hierarchical multi-expert retrieval that dynamically aggregates contextual information from chain, sequence, and active-site perspectives through residue-level mixture-of-experts gating. To prevent modality degradation, we propose a reliability-aware fusion strategy based on Dempster-Shafer evidence theory that quantifies modality trustworthiness through belief mass functions and learnable discounting coefficients, enabling principled multimodal integration. Extensive experiments on ProTAD-Gen and TS125 datasets demonstrate that MERA achieves state-of-the-art performance, with 90% AUPRC on active site prediction and significant gains on peptide-binding site identification, validating the effectiveness of retrieval-augmented multi-expert modeling and reliability-guided fusion.
• Abstract（参考訳）: 残基レベルでのタンパク質活性部位の正確な同定は、タンパク質の機能を理解し、薬物発見を促進するために重要である。 しかし、現在の手法では、スパーストレーニングデータによる単一インスタンス予測の脆弱性と、信頼できないモダリティが融合プロセスを支配している場合のパフォーマンス低下につながる不適切なモダリティ信頼度推定という2つの重要な課題に直面している。 これらの課題に対処するために,タンパク質活性部位同定のための最初の検索拡張フレームワークであるMultimodal Mixture-of-Experts with Retrieval Augmentation (MERA)を導入する。 MERAは階層的なマルチエキスパート検索を採用し、チェーン、シーケンス、アクティブサイトの観点から動的にコンテキスト情報を集約する。 本稿では,モダリティの劣化を防止するために,信念の質量関数と学習可能な割引係数を通じてモダリティの信頼性を定量化し,マルチモーダル統合を可能にする,Dempster-Shaferエビデンス理論に基づく信頼性を考慮した融合戦略を提案する。 ProTAD-GenとTS125データセットの大規模な実験により、MERAは最先端のパフォーマンスを達成し、90%のAUPRCが活性部位予測とペプチド結合部位同定に大きく貢献し、検索強化マルチエキスパートモデリングと信頼性誘導融合の有効性が検証された。

関連論文リスト

• Explainable Multimodal Regression via Information Decomposition [27.157278306251772]
  部分情報分解(PID)に基づく新しい多モード回帰フレームワークを提案する。 本フレームワークは,予測精度と解釈可能性の両方において最先端の手法より優れ,効率的な推論のための情報モダリティ選択を可能にする。
  論文  参考訳（メタデータ） (2025-12-26T18:07:18Z)
• LLM-Centric RAG with Multi-Granular Indexing and Confidence Constraints [5.2604064919135896]
  本稿では,複雑な知識環境下での検索強化生成において,不十分なカバレッジ,不安定な結果,信頼性の制限といった問題に対処する。 複数粒度メモリインデックスと不確実性推定を統合した信頼度制御法を提案する。 提案手法は,QA精度,検索リコール,ランキング品質,事実整合性において,既存モデルよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-30T23:48:37Z)
• FLUID: Flow-Latent Unified Integration via Token Distillation for Expert Specialization in Multimodal Learning [1.912429179274357]
  token Distillation for Expert Components を用いた textscFLUID-Flow-Latent Unified Integration を提案する。 textscFLUID は,(1) emphQ-transforms, 学習可能なクエリトークン, (2) コントラストアライメントによる相互整合を強制する2段階の融合スキーム, (3) 予測時の軽量でロードバランスのMixture-of-Experts の3要素に寄与する。
  論文  参考訳（メタデータ） (2025-08-10T09:34:17Z)
• DEFNet: Multitasks-based Deep Evidential Fusion Network for Blind Image Quality Assessment [5.517243185525322]
  ブラインド画像品質評価(BIQA)手法は、しばしば性能向上のために補助的なタスクを組み込む。 本稿では,BIQAのためのマルチタスクに基づくディープ・エビデンシャル・フュージョン・ネットワーク(DEFNet)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T16:36:45Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• Synchronous Faithfulness Monitoring for Trustworthy Retrieval-Augmented Generation [96.78845113346809]
  Retrieval-augmented Language Model (RALMs) は、知識集約型タスクにおいて、高い性能と幅広い適用性を示している。 本稿では,非偽文の検出に微細な復号力学を利用する軽量モニタであるSynCheckを提案する。 また、長文検索拡張生成のためのビームサーチによって導かれる忠実度指向の復号アルゴリズムであるFODを導入する。
  論文  参考訳（メタデータ） (2024-06-19T16:42:57Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Enhancing person re-identification via Uncertainty Feature Fusion Method and Auto-weighted Measure Combination [1.183049138259841]
  人物再識別(Re-ID)は、監視システムにおいて、異なるカメラビューで同一人物を特定することを含む、困難なタスクである。 本稿では,不確定特徴融合法(UFFM)と自動重み付け器(AMC)によるReIDモデルの能力を向上する新しい手法を提案する。 本手法は,人物の再識別データセットで評価した場合のランク@1精度と平均精度(mAP)を大幅に改善する。
  論文  参考訳（メタデータ） (2024-05-02T09:09:48Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)

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。