論文の概要: Tau-BNO: Brain Neural Operator for Tau Transport Model

• arxiv url: http://arxiv.org/abs/2603.08108v2
• Date: Tue, 17 Mar 2026 01:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 13:19:43.65475
• Title: Tau-BNO: Brain Neural Operator for Tau Transport Model
• Title（参考訳）: Tau-Bno: Tauトランスポートモデルのための脳神経オペレータ
• Authors: Nuutti Barron, Heng Rao, Urmi Saha, Yu Gu, Zhenghao Liu, Ge Yu, Defu Yang, Ashish Raj, Minghan Chen,
• Abstract要約: 既存のアプローチは通常、脳の構造的コネクトームの拡散過程としてタウ伝播をモデル化する。 このギャップを埋めるためにネットワークトランスポートモデル(NTM)が導入された。 我々は,NTM力学を高速に近似する脳神経オペレータ・サロゲートフレームワークであるTau-BNOを提案する。
• 参考スコア（独自算出の注目度）: 16.92108740721371
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanistic modeling provides a biophysically grounded framework for studying the spread of pathological tau protein in tauopathies like Alzheimer's disease. Existing approaches typically model tau propagation as a diffusive process on the brain's structural connectome, reproducing macroscopic patterns but neglecting microscale cellular transport and reaction mechanisms. The Network Transport Model (NTM) was introduced to fill this gap, explaining how region-level progression of tau emerges from microscale biophysical processes. However, the NTM faces a common challenge for complex models defined by large systems of partial differential equations: the inability to perform parameter inference and mechanistic discovery due to high computational burden and slow model simulations. To overcome this barrier, we propose Tau-BNO, a Brain Neural Operator surrogate framework for rapidly approximating NTM dynamics that captures both intra-regional reaction kinetics and inter-regional network transport. Tau-BNO combines a function operator that encodes kinetic parameters with a query operator that preserves initial state information, while approximating anisotropic transport through a spectral kernel that retains directionality. Empirical evaluations demonstrate high predictive accuracy ($R^2\approx$ 0.98) across diverse biophysical regimes and an 89\% performance improvement over state-of-the-art sequence models like Transformers and Mamba, which lack inherent structural priors. By reducing simulation time from hours to seconds, we show that the surrogate model is capable of producing new insights and generating new hypotheses. This framework is readily extensible to a broader class of connectome-based biophysical models, showcasing the transformative value of deep learning surrogates to accelerate analysis of large-scale, computationally intensive dynamical systems.
• Abstract（参考訳）: メカニスティック・モデリングは、アルツハイマー病のようなタウオパチーにおける病理学的タウタンパク質の拡散を研究するための、生物物理学的な基盤となる枠組みを提供する。 既存のアプローチは通常、脳の構造的コネクトームの拡散過程としてタウ伝播をモデル化し、マクロなパターンを再現するが、マイクロスケールの細胞輸送と反応機構を無視する。 このギャップを埋めるためにネットワークトランスポートモデル(NTM)が導入された。 しかし、NTMは偏微分方程式の大きな系で定義される複雑なモデルに対して共通の課題に直面している。 この障壁を克服するために、我々は、地域内反応速度と地域間ネットワーク輸送の両方をキャプチャするNTMダイナミクスを高速に近似するための脳神経オペレータ・サロゲートフレームワークであるTau-BNOを提案する。 Tau-BNOは、運動パラメータを符号化する関数演算子と初期状態情報を保存するクエリ演算子を結合し、指向性を保持するスペクトルカーネルを介して異方性輸送を近似する。 実験的な評価は、様々な生物物理体制において高い予測精度(R^2\approx$ 0.98)を示し、トランスフォーマーやマンバのような最先端のシークエンスモデルよりも89 %の性能向上を示した。 シミュレーション時間を数時間から秒に短縮することにより、代理モデルが新たな洞察を生み出し、新しい仮説を生成することができることを示す。 このフレームワークは、より広範なコネクトームベースの生体物理モデルに容易に拡張可能であり、大規模で計算集約的な力学系の解析を加速するために、ディープラーニングサロゲートの変換値を示す。

関連論文リスト

• Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling [5.007023403094322]
  メカニスティックリガーとデータ駆動の柔軟性を橋渡しするSciML(SciML)フレームワークを提案する。 1) 薬物動態予測をシーケンスモデリングタスクとして扱う基盤PBPK変換器,(2) 生理的制約付き拡散モデル(PCDM),(3) 生物学的に適合した仮想患者集団を合成するための物理インフォームドロスを用いた生成アプローチ,(3) ニューラルネットワークとニューラルネットワークを組み合わせたハイブリッドアーキテクチャであるニューラルアロメトリー,などを紹介する。
  論文  参考訳（メタデータ） (2026-02-09T00:26:01Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• GALDS: A Graph-Autoencoder-based Latent Dynamics Surrogate model to predict neurite material transport [1.104960878651584]
  本稿では,ニューラルツリー内の物質輸送シミュレーションを効率化するグラフオートコーダを用いたレイトタント・ダイナミクス・サロゲートモデルを提案する。 提案手法は, 最大相対誤差8%で平均相対誤差3%を達成し, 従来のサロゲートモデルに比べて10倍の速度向上を示した。
  論文  参考訳（メタデータ） (2025-07-15T00:22:00Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Multiscale Analysis of Woven Composites Using Hierarchical Physically Recurrent Neural Networks [0.0]
  織物複合材料のマルチスケール均質化には, 詳細なミクロメカニカル評価が必要である。 本研究では,2段階の代理モデルを用いた階層型物理リカレントニューラルネットワーク(HPRNN)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T19:02:32Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。