論文の概要: Multi-Task Genetic Algorithm with Multi-Granularity Encoding for Protein-Nucleotide Binding Site Prediction
- arxiv url: http://arxiv.org/abs/2603.14797v1
- Date: Mon, 16 Mar 2026 03:51:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:36.038141
- Title: Multi-Task Genetic Algorithm with Multi-Granularity Encoding for Protein-Nucleotide Binding Site Prediction
- Title（参考訳）: タンパク質ヌクレオチド結合部位予測のための多粒性符号化を用いたマルチタスク遺伝的アルゴリズム
- Authors: Yiming Gao, Liuyi Xu, Pengshan Cui, Yining Qian, An-Yang Lu, Xianpeng Wang,
- Abstract要約: MTGA-MGEはMulti-Task Genetic AlgorithmとMulti-Granularityを統合するフレームワークである。
結合部位予測を強化するための隣人(MGE)。
静的核融合の制約を克服するために、遺伝的アルゴリズムを用いてタスク固有の核融合戦略を適応的に進化させる。
- 参考スコア（独自算出の注目度）: 2.943339783614578
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate identification of protein-nucleotide binding sites is fundamental to deciphering molecular mechanisms and accelerating drug discovery. However, current computational methods often struggle with suboptimal performance due to inadequate feature representation and rigid fusion mechanisms, which hinder the effective exploitation of cross-task information synergy. To bridge this gap, we propose MTGA-MGE, a framework that integrates a Multi-Task Genetic Algorithm with Multi-Granularity Encoding to enhance binding site prediction. Specifically, we develop a Multi-Granularity Encoding (MGE) network that synergizes multi-scale convolutions and self-attention mechanisms to distill discriminative signals from high-dimensional, redundant biological data. To overcome the constraints of static fusion, a genetic algorithm is employed to adaptively evolve task-specific fusion strategies, thereby effectively improving model generalization. Furthermore, to catalyze collaborative learning, we introduce an External-Neighborhood Mechanism (ENM) that leverages biological similarities to facilitate targeted information exchange across tasks. Extensive evaluations on fifteen nucleotide datasets demonstrate that MTGA-MGE not only establishes a new state-of-the-art in data-abundant, high-resource scenarios but also maintains a robust competitive edge in rare, low-resource regimes, presenting a highly adaptive scheme for decoding complex protein-ligand interactions in the post-genomic era.
- Abstract（参考訳）: タンパク質-ヌクレオチド結合部位の正確な同定は、分子機構の解明と薬物発見の促進に不可欠である。
しかし、現在の計算手法では、不適切な特徴表現と厳密な融合機構により、クロスタスク情報相乗効果の効果的な活用を妨げるため、最適以下の性能に苦慮することが多い。
このギャップを埋めるため,MTGA-MGEを提案する。
具体的には、高次元の冗長な生物学的データから識別信号を抽出するために、マルチスケールの畳み込みと自己保持機構を相乗化するマルチグラニュラリティ符号化(MGE)ネットワークを開発する。
静的融合の制約を克服するため、遺伝的アルゴリズムを用いてタスク固有の融合戦略を適応的に進化させ、モデル一般化を効果的に改善する。
さらに, 協調学習を促進するために, 生物の類似性を活用し, タスク間の情報交換を容易にする外部隣り合わせ機構(ENM)を導入する。
15個のヌクレオチドデータセットの大規模な評価は、MTGA-MGEがデータ・アバウンダント・ハイリソースのシナリオにおいて新しい最先端を樹立するだけでなく、稀で低リソースのレジームにおいて強力な競争力を維持し、ポストゲノム時代に複雑なタンパク質-リガンド相互作用をデコードするための高度に適応的なスキームを提示していることを示している。
関連論文リスト
- Multi-objective Genetic Programming with Multi-view Multi-level Feature for Enhanced Protein Secondary Structure Prediction [3.3355709221955148]
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。
論文 参考訳（メタデータ） (2026-03-11T09:32:27Z) - Graph Attention Based Prioritization of Disease Responsible Genes from Multimodal Alzheimer's Network [20.37811669228711]
疾患関連遺伝子の優先順位付けはアルツハイマー病などの複雑な疾患の理解の中心である。
我々は,集中度指標を注目度スコアに置き換えるマルチモーダルグラフトランスフォーマフレームワークである.NETRAを提案する。
グラフ変換器は、疾患特異的でコンテキスト対応の方法で遺伝子関連性を定量化する.NETRAスコアを割り当てる。
論文 参考訳（メタデータ） (2026-03-01T06:46:18Z) - A Multi-scale Fused Graph Neural Network with Inter-view Contrastive Learning for Spatial Transcriptomics Data Clustering [7.214595408714774]
畳み込み後の空間的特徴と遺伝子的特徴を動的に統合するために,階層的に相互に注目するマルチスケールな相互融合グラフネットワークstMFGを提案する。
最先端の手法よりも優れており、特定のスライスで最大14%のARI改善を実現している。
論文 参考訳（メタデータ） (2025-12-18T05:13:55Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - 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) - impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。
マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。
本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
論文 参考訳（メタデータ） (2025-08-08T10:01:16Z) - Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction [19.803593399456823]
Metapath-based heterogeneous graph Transformer (COMET) を用いた遺伝子解析
本手法は, 最先端手法と比較して, 優れたロバスト性を示す。
論文 参考訳（メタデータ） (2025-01-14T09:41:18Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z)
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。