論文の概要: GEESE: Genotype-aware End-to-End Spatio-temporal Embedding for Behavioral Phenotyping

• arxiv url: http://arxiv.org/abs/2605.24370v1
• Date: Sat, 23 May 2026 03:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.958449
• Title: GEESE: Genotype-aware End-to-End Spatio-temporal Embedding for Behavioral Phenotyping
• Title（参考訳）: GEESE:行動表現のための遺伝子型対応型エンド・ツー・エンド時空間埋め込み
• Authors: Yiran Ding, Yuen Gao, Chunqi Qian, Zijun Cui,
• Abstract要約: GEESEは,手作りの機能を使わずに3次元ポーズダイナミクスから直接行動表現を学習するエンド・ツー・エンドのディープラーニングフレームワークである。 また、HONKは、プログラミングの専門知識のない研究者がポーズデータから行動表現を行うことを可能にするインタラクティブなインテリジェントツールである。
• 参考スコア（独自算出の注目度）: 6.052053659239731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavioral phenotyping of genetic animal models currently requires labor-intensive manual feature engineering that limits reproducibility and scalability. We present GEESE, an end-to-end deep learning framework that learns behavioral representations directly from 3D pose dynamics without hand-crafted features. Using a pretrained time series foundation model, we encode movement sequences into a behavioral manifold that supports both behavior classification and genotype prediction. Evaluated across three autism-associated genetic models (CNTNAP2, CHD8, FMR1), our deep learning approach surpasses hand-crafted feature baselines in both tasks, revealing that learned representations capture genotype-specific behavioral signatures. The framework generalizes across genetic backgrounds, and an all-cohort model identifies both genetic background and genotype from movement patterns alone. We further provide HONK, an interactive intelligent tool enabling researchers without programming expertise to perform behavioral phenotyping from pose data through natural language interaction.
• Abstract（参考訳）: 遺伝的動物モデルの行動表現型付けには、再現性と拡張性を制限する労働集約的な手動特徴工学が必要である。 GEESEは,手作りの機能を使わずに3次元ポーズダイナミクスから直接行動表現を学習するエンド・ツー・エンドのディープラーニングフレームワークである。 事前学習した時系列基礎モデルを用いて,行動分類と遺伝子型予測の両方をサポートする行動多様体に運動列をエンコードする。 3つの自閉症関連遺伝子モデル(CNTNAP2, CHD8, FMR1)で評価され、ディープラーニングアプローチは、両方のタスクにおいて手作りの特徴ベースラインを超え、学習された表現が遺伝子型固有の行動シグネチャをキャプチャすることを明らかにする。 この枠組みは遺伝的背景を一般化し、全コホートモデルは運動パターンのみから遺伝的背景と遺伝子型の両方を識別する。 我々はまた、プログラミングの専門知識のない研究者が自然言語のインタラクションを通じてポーズデータから行動表現を行うことができる対話型インテリジェントツールHONKを提供する。

関連論文リスト

• GenePheno: Interpretable Gene Knockout-Induced Phenotype Abnormality Prediction from Gene Sequences [23.32906953921921]
  GenePhenoは、遺伝子配列から発生したノックアウトによる表現異常を予測する、最初の解釈可能なマルチラベル予測フレームワークである。 GenePhenoは、異種間相関を捉え、生物学的一貫性を強制する排他的正則化によって補完する、対照的なマルチラベル学習の目的を採用している。 GenePhenoは最先端の遺伝子中心の$F_textmax$と表現型中心のAUCを達成する。
  論文  参考訳（メタデータ） (2025-11-12T17:53:02Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• Inferring genotype-phenotype maps using attention models [0.21990652930491852]
  遺伝子型から表現型を予測することは遺伝学における中心的な課題である。 機械学習の最近の進歩、特に注意に基づくモデルは、有望な代替手段を提供する。 ここでは、注意に基づくモデルを定量的遺伝学に適用する。
  論文  参考訳（メタデータ） (2025-04-14T16:32:17Z)
• 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)
• 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)
• Emergence of specialized Collective Behaviors in Evolving Heterogeneous Swarms [3.918604886944516]
  社会性昆虫の群れのような自然集団は、驚くべきタスク専門化の度合いを示している。 我々は、表現型可塑性を持つシミュレーションロボット群を進化させ、特殊な集団行動の出現を研究する。
  論文  参考訳（メタデータ） (2024-02-07T11:26:53Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Epigenomic language models powered by Cerebras [0.0]
  エピゲノムBERT(またはEBERT)は、DNA配列とペア化されたエピジェネティック状態の入力の両方に基づいて表現を学習する。 細胞型特異的転写因子結合予測タスクにおいて,EBERTの転写学習能力を示す。 ENCODE-DREAMベンチマークから得られた13つの評価データセットのうち4つは、我々の微調整されたモデルであり、挑戦のリーダーボードでは総合3位である。
  論文  参考訳（メタデータ） (2021-12-14T17:23:42Z)

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。