Fugu-MT 論文翻訳(概要): New Benchmarking Shows Limited Generalization Power of TCR Antigenic Epitope Prediction Models

論文の概要: New Benchmarking Shows Limited Generalization Power of TCR Antigenic Epitope Prediction Models

arxiv url: http://arxiv.org/abs/2606.04994v1
Date: Wed, 03 Jun 2026 15:14:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-04 20:44:18.85242
Title: New Benchmarking Shows Limited Generalization Power of TCR Antigenic Epitope Prediction Models
Title（参考訳）: TCR抗原エピトープ予測モデルの限定的な一般化力を示す新しいベンチマーク
Abstract要約: T細胞受容体(TCR)抗原特異性の計算学的予測は、T細胞生物学の研究を変換し、スケーラブルな免疫工学を可能にする。既存のモデルには、幅広い用途に十分な感度と特異性がない。ここでは、モデル性能と一般化可能性の偏りのない評価を可能にする2つの相補的なデータセットのクラスについて述べる。
参考スコア（独自算出の注目度）: 19.41265373735755
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate computational prediction of T cell receptor (TCR) antigen specificity would transform the study of T cell biology and enable scalable immune engineering, yet existing models lack sufficient sensitivity and specificity for broad applications. A major limitation is the absence of rigorously defined, unseen benchmark datasets that allow unbiased evaluation of model performance and generalizability. Here, we describe two complementary classes of datasets that meet this criterion and argue that they provide both a robust framework for model assessment and a foundation for next-generation TCR-antigen prediction algorithm development.
Abstract（参考訳）: T細胞受容体(TCR)抗原の正確な計算予測は、T細胞生物学の研究を変換し、スケーラブルな免疫工学を可能にする。大きな制限は、厳密に定義された、見当たらないベンチマークデータセットがないことである。ここでは、この基準を満たす2つの補完的なデータセットのクラスを説明し、モデルアセスメントのための堅牢なフレームワークと次世代TCR-抗原予測アルゴリズム開発の基礎を提供すると主張している。

関連論文リスト

Structure-Regularized Interpretable TCR-Epitope Prediction [32.262305380940724]
T細胞受容体(TCR)-エピトープ結合予測は適応免疫の理解と免疫療法の開発に不可欠である。既存のシーケンスモデルと構造ベースのモデルは、しばしばアンセエンスに貧弱に一般化し、限定的な解釈性を提供する。本稿では,タンパク質言語モデル埋め込みと解釈可能な接触プロトタイプを組み合わせた構造規則化解釈型設計モデルTCR-SRIMを提案する。
論文参考訳（メタデータ） (2026-06-29T20:48:35Z)
A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-27T14:51:54Z)
STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-02-12T16:30:07Z)
From Generative Modeling to Clinical Classification: A GPT-Based Architecture for EHR Notes [0.0]
本研究は臨床テキスト分類のためのGPTアーキテクチャを提案する。すべてのモデルパラメータを更新する代わりに、GPT-2のバックボーンの大部分は凍結されている。提案手法はMIMIC-IV-Noteデータセットからの放射線学報告に基づいて評価する。
論文参考訳（メタデータ） (2026-01-29T16:33:47Z)
Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
論文参考訳（メタデータ） (2025-10-15T08:41:36Z)
Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
論文参考訳（メタデータ） (2025-08-18T20:44:32Z)
Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
論文参考訳（メタデータ） (2025-07-12T08:10:10Z)
Integrating Single-Cell Foundation Models with Graph Neural Networks for Drug Response Prediction [3.544038341047844]
本研究では,既存の薬物反応予測フレームワークの性能向上を図るために,事前学習した基礎モデルである scGPT を組み込むことが有効かどうかを検討する。 scGPTは従来のアプローチより優れているだけでなく、トレーニングの安定性も向上し、SCGPT由来の知識を活用する価値を強調している。
論文参考訳（メタデータ） (2025-04-19T17:35:54Z)
CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文参考訳（メタデータ） (2024-11-10T02:40:06Z)
Predicting T-Cell Receptor Specificity [7.258321140371502]
我々は,ランダムフォレストアルゴリズムに基づいて,抗原セレクタとTCR分類器からなるTCR生成特異性検出フレームワークを構築した。モデルの性能を通常のディープラーニング手法と比較するために,k-fold Validation法を用いた。
論文参考訳（メタデータ） (2024-07-27T23:21:07Z)
GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文参考訳（メタデータ） (2024-06-01T08:01:05Z)

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。