論文の概要: A Multi-Label Temporal Convolutional Framework for Transcription Factor Binding Characterization

• arxiv url: http://arxiv.org/abs/2603.12073v1
• Date: Thu, 12 Mar 2026 15:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.191171
• Title: A Multi-Label Temporal Convolutional Framework for Transcription Factor Binding Characterization
• Title（参考訳）: 転写因子結合特性評価のための多ラベル時間畳み込みフレームワーク
• Authors: Pietro Demurtas, Ferdinando Zanchetta, Giovanni Perini, Rita Fioresi,
• Abstract要約: 転写因子(TF)は、複雑で協調的なメカニズムを通じて遺伝子発現を制御する。 TFバインディングサイト予測の現在のほとんどのアプローチは、さまざまなTF間の相互作用を十分に分析することなく、個々のTFとバイナリ分類タスクに焦点を当てている。 本稿では,DNA TF結合部位の認識を多ラベル分類問題として検討し,公開リポジトリで検索したDNA配列上での複数のTFの信頼性予測を実現する。 以上の結果から,信頼性の高い予測性能をもたらすマルチラベル学習は,既知のTF相互作用に整合した生物学的意義のあるモチーフや共結合パターンを明らかにするとともに,TF間の新たな関係と協調性を示唆している。
• 参考スコア（独自算出の注目度）: 27.151780750119556
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Transcription factors (TFs) regulate gene expression through complex and co-operative mechanisms. While many TFs act together, the logic underlying TFs binding and their interactions is not fully understood yet. Most current approaches for TF binding site prediction focus on individual TFs and binary classification tasks, without a full analysis of the possible interactions among various TFs. In this paper we investigate DNA TF binding site recognition as a multi-label classification problem, achieving reliable predictions for multiple TFs on DNA sequences retrieved in public repositories. Our deep learning models are based on Temporal Convolutional Networks (TCNs), which are able to predict multiple TF binding profiles, capturing correlations among TFs andtheir cooperative regulatory mechanisms. Our results suggest that multi-label learning leading to reliable predictive performances can reveal biologically meaningful motifs and co-binding patterns consistent with known TF interactions, while also suggesting novel relationships and cooperation among TFs.
• Abstract（参考訳）: 転写因子(TF)は、複雑で協調的なメカニズムを通じて遺伝子発現を制御する。 多くのTFが一緒に振る舞うが、TFの結合とその相互作用の論理はまだ完全には理解されていない。 TFバインディングサイト予測の現在のほとんどのアプローチは、さまざまなTF間の相互作用を十分に分析することなく、個々のTFとバイナリ分類タスクに焦点を当てている。 本稿では,DNA TF結合部位の認識を多ラベル分類問題として検討し,公開リポジトリで検索したDNA配列上での複数のTFの信頼性予測を実現する。 深層学習モデルは時間畳み込みネットワーク(TCN)に基づいており、複数のTF結合プロファイルを予測でき、TF間の相関や協調制御機構を捉えることができる。 以上の結果から,信頼性の高い予測性能をもたらすマルチラベル学習は,既知のTF相互作用に整合した生物学的意義のあるモチーフや共結合パターンを明らかにするとともに,TF間の新たな関係と協調性を示唆している。

関連論文リスト

• TF-DWGNet: A Directed Weighted Graph Neural Network with Tensor Fusion for Multi-Omics Cancer Subtype Classification [7.924798643791988]
  マルチオミクスの統合と解析のためのグラフニューラルネットワークフレームワークTF-DWGNetを提案する。 ツリーベースのDirected Weightedグラフ構築と、マルチクラスがんサブタイプ分類のためのテンソルフュージョンを組み合わせる。 実験により、TF-DWGNetは複数のメトリクスと統計テストで一貫して最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-09-19T17:52:25Z)
• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Tensor Convolutional Network for Higher-Order Interaction Prediction in Sparse Tensors [74.31355755781343]
  我々は,トップk相互作用を予測するTF法とシームレスに統合する,正確で互換性のあるテンソル畳み込みネットワークTCNを提案する。 TF法と統合されたTNは,TF法やハイパーエッジ予測法などの競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T18:22:20Z)
• TNF: Tri-branch Neural Fusion for Multimodal Medical Data Classification [10.329260345873433]
  マルチモーダル医療画像と表データの分類を目的としたTNF(Tri-branch Neural Fusion)アプローチ また、マルチモーダル分類におけるラベルの不整合に対処する2つの解決策も導入している。
  論文  参考訳（メタデータ） (2024-03-04T07:47:05Z)
• Generation of a Compendium of Transcription Factor Cascades and Identification of Potential Therapeutic Targets using Graph Machine Learning [3.9890897477539715]
  我々は、STRINGデータベースから抽出したデータを用いて、グラフ機械学習を用いてTFカスケードのコンペディションを作成する。 TFカスケード(TF Cascade)は、TFネットワークにおいて相互に制御し、直接経路を形成するTFのシーケンスである。 我々は,62個のTFからなる最も長いカスケードを持つ81,488個のTFカスケードの知識グラフを構築した。
  論文  参考訳（メタデータ） (2023-11-29T15:31:58Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)

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。