論文の概要: PhyloSDF: Phylogenetically-Conditioned Neural Generation of 3D Skull Morphology via Residual Flow Matching

• arxiv url: http://arxiv.org/abs/2604.25371v1
• Date: Tue, 28 Apr 2026 08:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.777112
• Title: PhyloSDF: Phylogenetically-Conditioned Neural Generation of 3D Skull Morphology via Residual Flow Matching
• Title（参考訳）: PhyloSDF:残留フローマッチングによる3次元スカル形態の系統決定型ニューラルジェネレーション
• Authors: Kaikwan Lau, Gary P. T. Choi,
• Abstract要約: PhyloSDFは3次元生物学的形態学のための系統学的条件付き神経生成モデルである。 残留フローマッチングは、生成を分析種セントロイドルックアップに分解し、残留予測を学習する。 18種にわたる実験は系統的外挿能力を示し、スムーズな潜伏剤は生物学的に有毒な祖先の頭蓋骨を復元する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating novel, biologically plausible three-dimensional morphological structures is a fundamental challenge in computational evolutionary biology, hampered by extreme data scarcity and the requirement that generated shapes respect phylogenetic relationships among species. In this work, we present PhyloSDF, a phylogenetically-conditioned neural generative model for 3D biological morphology that integrates two innovations: (1) a DeepSDF auto-decoder regularized by a novel Phylogenetic Consistency Loss that structures the latent space to correlate with evolutionary distances (Pearson $r=0.993$); (2) a Residual Conditional Flow Matching (Residual CFM) architecture that factorizes generation into analytic species-centroid lookup and learned residual prediction, enabling generation from as few as ~4 specimens per species. We evaluate PhyloSDF on 100 micro-CT-scanned skulls of Darwin's Finches and their relatives across 24 species. The model generates novel meshes achieving 88-129% of real intra-species variation at the code level, with all 180 generated meshes verified as non-memorized. Residual CFM surpasses denoising diffusion (which fails entirely at this scale), standard flow matching (which mode-collapses to 3-6% variation), and a Gaussian mixture baseline in both fidelity (Chamfer Distance 0.00181 vs. 0.00190) and morphometric Fréchet distance (10,641 vs. 13,322). Leave-one-species-out experiments across 18 species demonstrate phylogenetic extrapolation capability, and smooth latent interpolations produce biologically plausible ancestral skull reconstructions.
• Abstract（参考訳）: 生物学的に妥当な3次元構造を生成することは、極端なデータ不足と、種間の系統的関係を尊重する形状を生成する要求によって妨げられる、計算進化生物学における根本的な課題である。 本研究では, 進化的距離と相関して潜伏空間を構築可能な新種Pylogenetic Consistency Loss(Pearson $r=0.993$); (2) Residual Conditional Flow Matching(Residual CFM)アーキテクチャを用いて, 分析種中心のルックアップに分解し, 残留予測を学習し, 1種あたり4個の標本から生成できるDeepSDF自動デコーダについて述べる。 我々はDarwin's Finchesの100マイクロCTスキャンした頭蓋骨とその近縁種について24種にわたってPhyloSDFを評価した。 モデルは、コードレベルでの実際の種内変異の88～129%を達成し、180生成したすべてのメッシュを非記憶化として検証する。 残留CFMは、デノナイズ拡散(このスケールでは完全に失敗する)、標準フローマッチング(モード崩壊は3.6%)、ガウス混合ベースライン(Chamfer Distance 0.00181 vs. 0.00190)およびモルフォメトリックフレシェ距離(10,641 vs. 13322)を超越している。 18種にわたる種を残した実験は、系統的外挿能力を示し、スムーズな潜伏補間は生物学的にもっともらしい祖先の頭蓋骨を再構築する。

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)
• G2PDiffusion: Cross-Species Genotype-to-Phenotype Prediction via Evolutionary Diffusion [108.94237816552024]
  本稿では,DNAから形態像を生成する最初の遺伝子型対フェノタイプ拡散モデル(G2PDiffusion)を提案する。 本モデルは,1)保存および共進化パターンを識別するMSA検索エンジン,2)複雑なジェノタイプ-環境相互作用を効果的にモデル化する環境対応MSA条件エンコーダ,3)遺伝子型-フェノタイプ整合性を改善する適応型表現的アライメントモジュールを含む。
  論文  参考訳（メタデータ） (2025-02-07T06:16:31Z)
• The Phantom of the Elytra -- Phylogenetic Trait Extraction from Images of Rove Beetles Using Deep Learning -- Is the Mask Enough? [1.0742675209112622]
  系統解析は伝統的に労働集約的手作業による形態学的特徴の抽出に依存している。 近年のディープラーニングの進歩は、このプロセスを自動化する可能性を秘めている。 3つの異なる形態素表現を用いてディープラーニングモデルの性能を比較する。
  論文  参考訳（メタデータ） (2025-02-06T22:41:50Z)
• PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
  系統樹は種間の進化的関係を解明する。 伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。 我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
  論文  参考訳（メタデータ） (2024-12-25T08:33:05Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)

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。