論文の概要: SynLeaF: A Dual-Stage Multimodal Fusion Framework for Synthetic Lethality Prediction Across Pan- and Single-Cancer Contexts

• arxiv url: http://arxiv.org/abs/2603.22369v1
• Date: Mon, 23 Mar 2026 05:55:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.1051
• Title: SynLeaF: A Dual-Stage Multimodal Fusion Framework for Synthetic Lethality Prediction Across Pan- and Single-Cancer Contexts
• Title（参考訳）: SynLeaF: パンとシングルキャスターのコンテキストにまたがる合成レタリティ予測のためのデュアルステージマルチモーダルフュージョンフレームワーク
• Authors: Zheming Xing, Siyuan Zhou, Ruinan Wang, Rui Han, Shiming Zhang, Shiqu Chen, Yurui Huang, Jiahao Ma, Yifan Chen, Xuan Wang, Yadong Wang, Junyi Li,
• Abstract要約: 合成致死率(SL)予測は、がん薬や治療薬の開発を導く上で重要である。 既存のマルチモーダル法は、異なる収束速度のためにしばしば「モダリティの怠慢」に悩まされる。 本稿では,2段階のマルチモーダル融合フレームワークであるSynLeaFを提案する。
• 参考スコア（独自算出の注目度）: 49.98062629139681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of synthetic lethality (SL) is important for guiding the development of cancer drugs and therapies. SL prediction faces significant challenges in the effective fusion of heterogeneous multi-source data. Existing multimodal methods often suffer from "modality laziness" due to disparate convergence speeds, which hinders the exploitation of complementary information. This is also one reason why most existing SL prediction models cannot perform well on both pan-cancer and single-cancer SL pair prediction. In this study, we propose SynLeaF, a dual-stage multimodal fusion framework for SL prediction across pan- and single-cancer contexts. The framework employs a VAE-based cross-encoder with a product of experts mechanism to fuse four omics data types (gene expression, mutation, methylation, and CNV), while simultaneously utilizing a relational graph convolutional network to capture structured gene representations from biomedical knowledge graphs. To mitigate modality laziness, SynLeaF introduces a dual-stage training mechanism employing featurelevel knowledge distillation with adaptive uni-modal teacher and ensemble strategies. In extensive experiments across eight specific cancer types and a pancancer dataset, SynLeaF achieves superior performance in 17 out of 19 scenarios. Ablation studies and gradient analyses further validate the critical contributions of the proposed fusion and distillation mechanisms to model robustness and generalization. To facilitate community use, a web server is available at https://synleaf.bioinformatics-lilab.cn.
• Abstract（参考訳）: 合成致死性(SL)の正確な予測は、がん薬や治療薬の開発を導く上で重要である。 SL予測は、異種マルチソースデータの効果的な融合において大きな課題に直面している。 既存のマルチモーダル手法は、相補的な情報の活用を妨げる異なる収束速度のため、しばしば「モダリティの怠慢」に悩まされる。 これは、既存のほとんどのSL予測モデルがパン・カンサーとシングル・カンサーのSLペア予測の両方でうまく機能しない理由の1つである。 本研究では,2段階のマルチモーダル融合フレームワークであるSynLeaFを提案する。 このフレームワークは、VAEベースのクロスエンコーダを使用し、4つのオミクスデータ型(遺伝子発現、突然変異、メチル化、CNV)を融合させ、同時にリレーショナルグラフ畳み込みネットワークを利用して、バイオメディカル知識グラフから構造化された遺伝子表現をキャプチャする。 SynLeaFは、モダリティの怠慢を軽減するために、適応的なユニモーダル教師とアンサンブル戦略を備えた特徴レベルの知識蒸留を用いた二段階学習機構を導入する。 8つの特定のがんタイプと膵臓データセットにわたる広範な実験において、SynLeaFは19のシナリオのうち17のシナリオで優れたパフォーマンスを達成する。 アブレーション研究と勾配解析により, 核融合・蒸留機構のロバスト性および一般化のモデル化への重要な貢献がさらに検証された。 コミュニティの利用を容易にするため、Webサーバはhttps://synleaf.bioinformatics-lilab.cn.comで入手できる。

関連論文リスト

• Bridging the gap between Performance and Interpretability: An Explainable Disentangled Multimodal Framework for Cancer Survival Prediction [2.267166016868981]
  がん生存予測のためのマルチモーダルフレームワークであるDIMAFxを紹介する。 病理組織学的全スライディング画像と転写学的データから、不整形、解釈可能なモダリティ特有およびモダリティ共有表現を生成する。 複数のがんコホートにまたがって、DIMAFxは最先端のパフォーマンスを達成し、表現のゆがみを改善している。
  論文  参考訳（メタデータ） (2026-03-02T18:26:25Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
  マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。 SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。 二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
  論文  参考訳（メタデータ） (2025-11-20T18:41:44Z)
• ME-Mamba: Multi-Expert Mamba with Efficient Knowledge Capture and Fusion for Multimodal Survival Analysis [18.458319783609163]
  病理画像とゲノムデータを統合した マルチモーダルサバイバル分析が 有望なアプローチとして現れました 本稿では,識別学的特徴とゲノム的特徴を抽出するマルチエキスパート・マンバシステムを提案する。 本手法は比較的少ない計算量で安定かつ高精度な生存解析を実現する。
  論文  参考訳（メタデータ） (2025-09-21T03:23:04Z)
• Adaptive Prototype Learning for Multimodal Cancer Survival Analysis [8.179859593451285]
  本稿では, 適応型プロトタイプ学習(Adaptive Prototype Learning, APL)を提案する。 APLはデータ駆動方式で代表プロトタイプを適応的に学習し、重要な情報を保持しながら冗長性を低下させる。 本手法では,高次元表現と生存予測の橋渡しとして,学習可能な2つのクエリベクトルを用いる。
  論文  参考訳（メタデータ） (2025-03-06T17:32:15Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• A Multi-Modal Deep Learning Framework for Pan-Cancer Prognosis [15.10417643788382]
  本稿では,UMPSNetというディープラーニングモデルを提案する。 UMPSNetはテキストテンプレートに4種類の重要なメタデータ(画像情報、癌型情報、治療プロトコル、診断結果)を統合し、テキストエンコーダを導入してテキストの特徴を抽出する。 multi-modality of patient data and joint training を取り入れることで、UMPSNetは全てのSOTAアプローチより優れている。
  論文  参考訳（メタデータ） (2025-01-13T02:29:42Z)
• M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
  本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。 画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。 Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
  論文  参考訳（メタデータ） (2024-08-08T02:31:04Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)

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。