論文の概要: Enhanced Protein Intrinsic Disorder Prediction Through Dual-View Multiscale Features and Multi-objective Evolutionary Algorithm

• arxiv url: http://arxiv.org/abs/2603.06292v1
• Date: Fri, 06 Mar 2026 13:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.811605
• Title: Enhanced Protein Intrinsic Disorder Prediction Through Dual-View Multiscale Features and Multi-objective Evolutionary Algorithm
• Title（参考訳）: Dual-View Multiscale FeaturesとMulti-Objective Evolutionary Algorithmによるタンパク質内因性障害の予測
• Authors: Shaokuan Wang, Pengshan Cui, Yining Qian, An-Yang Lu, Xianpeng Wang,
• Abstract要約: 内在的に乱れたタンパク質の領域は、細胞シグナル伝達と薬物発見において重要な役割を担っている。 既存の方法は、しばしばシングルビュー表現や厳密な手動融合戦略に依存している。 本稿では,D2MOE,デュアルビューマルチスケール特徴量と多目的進化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.5218851233971797
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intrinsically disordered regions of proteins play a crucial role in cell signaling and drug discovery. However, their high structural flexibility makes accurate residue-level prediction challenging. Existing methods often rely on single-view representations or rigid manual fusion strategies, which fail to effectively balance the complex interplay between local amino acid preferences and long-range sequence patterns. To address these limitations, we propose D2MOE, a Dual-View Multiscale Features and Multi-objective Evolutionary Algorithm, which consists of two stages. First, a dual-view multiscale feature extraction method is introduced. This method integrates evolutionary views with deep semantic views and employs multiscale extractors to capture structural information across diverse receptive fields. Second, a multi-objective evolutionary algorithm is designed to adaptively discover optimal fusion architectures. By co-evolving discrete feature selection and continuous fusion weights, the algorithm adaptively explores optimal cross-feature architectures to enhance predictive accuracy while maintaining model compactness. Experimental results across three benchmark datasets demonstrate that D2MOE consistently outperforms state-of-the-art methods. D2MOE combines the feature extraction capabilities of deep learning with the global search advantages of evolutionary algorithms, enabling efficient feature integration without manual design, and providing a robust computational tool for protein disorder prediction.
• Abstract（参考訳）: 内在的に乱れたタンパク質の領域は、細胞シグナル伝達と薬物発見において重要な役割を担っている。 しかし、その高い構造的柔軟性は、正確な残差レベルの予測を困難にしている。 既存の方法は、しばしば単一ビュー表現や硬直的な手動融合戦略に依存しており、これは局所的なアミノ酸の嗜好と長距離配列パターンの間の複雑な相互作用を効果的にバランスさせるのに失敗する。 これらの制約に対処するため、D2MOE(Dual-View Multiscale Features and Multi-jective Evolutionary Algorithm)を提案する。 まず,デュアルビューのマルチスケール特徴抽出手法を提案する。 本手法は,進化的視点を深い意味的視点と統合し,多様な受容領域にまたがる構造情報の収集にマルチスケール抽出器を用いる。 第二に、最適な融合アーキテクチャを適応的に発見するために、多目的進化アルゴリズムが設計されている。 離散的な特徴選択と連続的な融合重みを共進化させることで、モデルコンパクト性を維持しながら予測精度を高めるために最適なクロスフィーチャーアーキテクチャを適応的に探索する。 3つのベンチマークデータセットの実験的結果は、D2MOEが一貫して最先端の手法より優れていることを示している。 D2MOEは、ディープラーニングの特徴抽出機能と進化アルゴリズムのグローバル検索の利点を組み合わせることで、手動設計なしで効率的な機能統合を可能にし、タンパク質障害予測のための堅牢な計算ツールを提供する。

関連論文リスト

• 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)
• MSD-KMamba: Bidirectional Spatial-Aware Multi-Modal 3D Brain Segmentation via Multi-scale Self-Distilled Fusion Strategy [15.270952880303533]
  本稿では,新しい3次元マルチモーダル画像分割フレームワークMSD-KMambaを提案する。 双方向の空間知覚とマルチスケールの自己蒸留を統合している。 我々のフレームワークは、セグメンテーション精度、ロバスト性、一般化における最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-28T06:34:01Z)
• Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification [9.17282078449475]
  Multi-population Ensemble Genetic Programming (MEGP) は、協調的共進化と多視点学習パラダイムを統合する計算知能フレームワークである。 MEGPは入力空間を条件に依存しない特徴部分集合に分解し、複数のサブポピュレーションを並列に進化させることができる。 収束挙動や一般化性能の点で、ベースラインGPモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-16T01:32:04Z)
• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• DAMS:Dual-Branch Adaptive Multiscale Spatiotemporal Framework for Video Anomaly Detection [7.117824587276951]
  この研究は、マルチレベル特徴とデカップリング融合に基づくDual-Branch Adaptive Multiscale Stemporal Framework (DAMS)と呼ばれるデュアルパスアーキテクチャを提供する。 主処理経路は、適応型マルチスケール時間ピラミッドネットワーク(AMTPN)と畳み込みブロック注意機構(CBAM)を統合している。
  論文  参考訳（メタデータ） (2025-07-28T08:42:00Z)
• DCEvo: Discriminative Cross-Dimensional Evolutionary Learning for Infrared and Visible Image Fusion [58.36400052566673]
  赤外線および可視画像融合は、異なるスペクトルバンドからの情報を統合して画質を向上させる。 既存のアプローチでは、画像融合とそれに続くハイレベルなタスクを別プロセスとして扱う。 本稿では、視覚的品質と知覚精度を同時に向上させるDCEvoと呼ばれる識別的クロス次元進化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-22T07:01:58Z)
• GAMED-Snake: Gradient-aware Adaptive Momentum Evolution Deep Snake Model for Multi-organ Segmentation [4.344584823432849]
  本稿では,GAMED-Snakeモデルについて述べる。 勾配に基づく学習と適応運動量進化機構を統合する。 GAMED-Snakeは、最先端の手法と比較してmDiceメトリックを約2%改善する。
  論文  参考訳（メタデータ） (2025-01-22T12:45:09Z)
• Exploiting Modality-Specific Features For Multi-Modal Manipulation Detection And Grounding [54.49214267905562]
  マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。 本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。 本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T06:55:41Z)

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。