論文の概要: RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction

• arxiv url: http://arxiv.org/abs/2605.11622v1
• Date: Tue, 12 May 2026 06:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.643003
• Title: RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction
• Title（参考訳）: RNA-FM:ゲノムワイドRNA系列予測のためのフローマッチング生成モデル
• Authors: Yaxuan Song, Jianan Fan, Tianyi Wang, Qiuyue Hu, Hang Chang, Heng Huang, Weidong Cai,
• Abstract要約: 本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。 スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
• 参考スコア（独自算出の注目度）: 48.07329582311906
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Histopathology whole-slide images (WSIs) are routinely acquired in clinical practice and contain rich tissue morphology but lack direct molecular architecture and functional programs defining pathological states, whereas RNA sequencing (RNA-seq) provides genome-wide transcriptional profiles at substantial cost, thereby motivating WSI-based genome-wide transcriptomic prediction. Existing approaches for predicting gene expression from WSIs predominantly rely on deterministic regression with one-to-one mapping, limiting their ability to capture biological heterogeneity and predictive uncertainty. We propose RNA-FM, a flow-matching generative framework for genome-wide bulk RNA-seq prediction from WSIs. RNA-FM formulates transcriptomic prediction as a continuous-time conditional transport problem, learning a velocity field that maps a simple prior to the target gene expression distribution conditioned on morphologies. By integrating pathway-level structure, RNA-FM enables scalable and biologically interpretable genome-wide gene expression imputation. Extensive experiments demonstrate that RNA-FM consistently outperforms state-of-the-art approaches while maintaining biological meaningfulness. Code is available at https://github.com/YXSong000/RNA-FM.
• Abstract（参考訳）: 病理組織学的全スライディング画像(WSI)は、臨床で日常的に取得され、組織形態が豊富であるが、直接分子構造や病理状態を定義する機能的プログラムは欠如している。 WSIから遺伝子発現を予測する既存のアプローチは、主に1対1マッピングによる決定論的回帰に依存しており、生物学的不均一性と予測の不確実性を捉える能力を制限する。 本稿では,WSIsを用いたゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、転写予測を連続的な条件付き輸送問題として定式化し、モルフォロジーに基づいて条件付けられた標的遺伝子発現分布の前に単純なマッピングを行う速度場を学習する。 RNA-FMは、経路レベルの構造を統合することにより、スケーラブルで生物学的に解釈可能なゲノムワイドな遺伝子発現誘導を可能にする。 広範囲にわたる実験により、RNA-FMは生物学的意義を維持しながら最先端のアプローチを一貫して上回っていることが示された。 コードはhttps://github.com/YXSong000/RNA-FMで入手できる。

関連論文リスト

• RNAMunin: A Deep Machine Learning Model for Non-coding RNA Discovery [0.0]
  非コードRNA(ncRNA)は細菌や古細菌の生理、ストレス応答、代謝の調節に重要である。 本稿では、ゲノム配列だけでncRNAを見つけることができる機械学習(ML)モデルRNAMuninを提案する。 RNAMuninは、サンフランシスコエスチュアリ16のサンプルから約60Gbpの長読型メタジェノムから抽出されたRfam配列に基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-07-16T06:33:50Z)
• CircFormerMoE: An End-to-End Deep Learning Framework for Circular RNA Splice Site Detection and Pairing in Plant Genomes [0.0]
  サーキュラーRNA(サーキュラーRNA)は、非コードRNA制御ネットワークの重要な構成要素である。 植物ゲノムDNAから直接サーキットRNAを予測するためのトランスフォーマーと専門家の混合に基づく深層学習フレームワークCircFormerMoEを提案する。
  論文  参考訳（メタデータ） (2025-07-11T12:43:17Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Character-level Tokenizations as Powerful Inductive Biases for RNA Foundational Models [0.0]
  RNAの挙動を理解し予測することは、RNAの構造と相互作用の複雑さのために困難である。 現在のRNAモデルは、タンパク質ドメインで観測された性能とはまだ一致していない。 ChaRNABERTは、確立されたベンチマークでいくつかのタスクで最先端のパフォーマンスに到達することができる。
  論文  参考訳（メタデータ） (2024-11-05T21:56:16Z)
• RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching [0.0]
  本稿では,フローマッチングに基づくRNA配列設計のための汎用フレームワークであるRNACG(RNA Generator)を提案する。 1つのフレームワークでシーケンス生成を統一することにより、RNACGは複数のRNA設計パラダイムの統合を可能にする。
  論文  参考訳（メタデータ） (2024-07-29T09:46:46Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Accurate RNA 3D structure prediction using a language model-based deep learning approach [50.193512039121984]
  RhoFold+はRNA言語モデルに基づくディープラーニング手法で、配列から単一鎖RNAの3次元構造を正確に予測する。 RhoFold+はRNA 3D構造予測のための完全に自動化されたエンドツーエンドパイプラインを提供する。
  論文  参考訳（メタデータ） (2022-07-04T17:15:35Z)

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。