論文の概要: Multi-objective Genetic Programming with Multi-view Multi-level Feature for Enhanced Protein Secondary Structure Prediction

• arxiv url: http://arxiv.org/abs/2603.12293v1
• Date: Wed, 11 Mar 2026 09:32:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.683675
• Title: Multi-objective Genetic Programming with Multi-view Multi-level Feature for Enhanced Protein Secondary Structure Prediction
• Title（参考訳）: タンパク質二次構造予測のための多視点多段階特徴を用いた多目的遺伝的プログラミング
• Authors: Yining Qian, Lijie Su, Meiling Xu, Xianpeng Wang,
• Abstract要約: タンパク質の二次構造を予測することは、タンパク質の機能を理解し、薬物発見を促進するのに不可欠である。 自動最適化タスクとしてPSSPを再構成する多目的遺伝的プログラミングフレームワークMOGP-MMFを提案する。 我々はMOGP-MMFが最先端の手法、特にQ8の精度と構造的整合性を超越していることを示す。
• 参考スコア（独自算出の注目度）: 3.3355709221955148
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting protein secondary structure is essential for understanding protein function and advancing drug discovery. However, the intricate sequence-structure relationship poses significant challenges for accurate modeling. To address these, we propose MOGP-MMF, a multi-objective genetic programming framework that reformulates PSSP as an automated optimization task focused on feature selection and fusion. Specifically, MOGP-MMF introduces a multi-view multi-level representation strategy that integrates evolutionary, semantic, and newly introduced structural views to capture the comprehensive protein folding logic. Leveraging an enriched operator set, the framework evolves both linear and nonlinear fusion functions, effectively capturing high-order feature interactions while reducing fusion complexity. To resolve the accuracy-complexity trade-off, an improved multi-objective GP algorithm is developed, incorporating a knowledge transfer mechanism that utilizes prior evolutionary experience to guide the population toward global optima. Extensive experiments across seven benchmark datasets demonstrate that MOGP-MMF surpasses state-of-the-art methods, particularly in Q8 accuracy and structural integrity. Furthermore, MOGP-MMF generates a diverse set of non-dominated solutions, offering flexible model selection schemes for various practical application scenarios. The source code is available on GitHub: https://github.com/qian-ann/MOGP-MMF/tree/main.
• Abstract（参考訳）: タンパク質の二次構造を予測することは、タンパク質の機能を理解し、薬物発見を促進するのに不可欠である。 しかし、複雑なシーケンス構造の関係は、正確なモデリングに重大な課題をもたらす。 そこで我々は,PSSPを特徴選択と融合に着目した自動最適化タスクとして再構成する多目的遺伝的プログラミングフレームワークMOGP-MMFを提案する。 具体的には、MOGP-MMFは、進化的、意味的、そして新しく導入された構造的ビューを統合し、包括的なタンパク質の折り畳みロジックをキャプチャするマルチビューのマルチレベル表現戦略を導入する。 リッチな演算子セットを利用することで、このフレームワークは線形と非線形の融合関数の両方を進化させ、融合複雑性を低減しつつ高次特徴相互作用を効果的にキャプチャする。 精度・複雑さのトレードオフを解決するため,従来の進化的経験を生かした知識伝達機構を取り入れた改良された多目的GPアルゴリズムを開発した。 7つのベンチマークデータセットにわたる大規模な実験は、MOGP-MMFが最先端の手法、特にQ8の精度と構造的整合性を上回ることを示した。 さらに、MOGP-MMFは、様々な実用的なアプリケーションシナリオに対して柔軟なモデル選択スキームを提供する、さまざまな非支配的なソリューション群を生成する。 ソースコードはGitHubで入手できる。 https://github.com/qian-ann/MOGP-MMF/tree/main。

関連論文リスト

• Enhanced Protein Intrinsic Disorder Prediction Through Dual-View Multiscale Features and Multi-objective Evolutionary Algorithm [2.5218851233971797]
  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。
  論文  参考訳（メタデータ） (2026-03-06T13:51:08Z)
• Enhancing Multimodal Protein Function Prediction Through Dual-Branch Dynamic Selection with Reconstructive Pre-Training [19.3863460349536]
  動的選択と再構成事前学習機構を利用した多モードタンパク質機能予測法(DSRPGO)を提案する。 提案するDSRPGOモデルは,人間のデータセット上でのBPO,MFO,CCOを大幅に改善する。
  論文  参考訳（メタデータ） (2025-11-06T04:19:42Z)
• 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)
• RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework [5.10888539576355]
  Polymorphic Metaheuristic Framework (PMF) は、リアルタイムパフォーマンスフィードバックと動的アルゴリズム選択によって駆動される自己適応型メタヒューリスティックスイッチング機構である。 AIによる意思決定と自己修正メカニズムを統合することで、PMFはスケーラブルでインテリジェントで自律的な最適化フレームワークの道を開いた。
  論文  参考訳（メタデータ） (2025-05-20T01:41:22Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• MSAGPT: Neural Prompting Protein Structure Prediction via MSA Generative Pre-Training [48.398329286769304]
  マルチシークエンスアライメント(MSA)は、タンパク質ファミリーの進化的軌道を明らかにする上で重要な役割を担っている。 MSAGPTは、低MSA状態下でのMSA生成前訓練を通じてタンパク質構造予測を促進する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-06-08T04:23:57Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• Prot2Text: Multimodal Protein's Function Generation with GNNs and Transformers [18.498779242323582]
  本稿では,タンパク質の機能を自由テキスト形式で予測する新しいアプローチであるProt2Textを提案する。 エンコーダ・デコーダフレームワークでグラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を組み合わせることにより,本モデルは多種多様なデータ型を効果的に統合する。
  論文  参考訳（メタデータ） (2023-07-25T09:35:43Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)

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。