論文の概要: Constrained hybrid modelling to predict microbial dynamics and organic matter turnover in soil systems

• arxiv url: http://arxiv.org/abs/2606.20329v1
• Date: Thu, 18 Jun 2026 15:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.934544
• Title: Constrained hybrid modelling to predict microbial dynamics and organic matter turnover in soil systems
• Title（参考訳）: 土壌系における微生物動態と有機物転位を予測するための制約付きハイブリッドモデリング
• Authors: Paul Collart, Juergen Gall, Andrea Schnepf, Holger Pagel, Lars Doorenbos,
• Abstract要約: 土壌微生物は有機物循環を制御し、土壌システムがどのように気候変動や環境脅威に対処し緩和するかを決定する。 したがって, プロセスベース土壌モデルにおける微生物動態の表現は, 土壌中の炭素循環を予測する上で重要である。 DNAシークエンシングデータに基づくメタゲノム推論機能特性からプロセスベース土壌有機物ターンオーバーモデルの生体動態パラメータ値を導出するための最初のハイブリッド・モデリング・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.07551792048093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soil microorganisms control organic matter cycling and largely determine how soil systems can cope with and mitigate climate change and environmental threats. Representing microbial dynamics in process-based soil models is therefore critical to predict carbon cycling in soils, albeit highly challenging to inform from data. One promising approach to improve their parametrisation is the integration of genomic data, yet modelling the complex and unknown relationship between genomes and the processes the microbes are driving is an unsolved problem. In this work, we present the first hybrid modeling framework for deriving biokinetic parameter values of a process-based soil organic matter turnover model from metagenome-inferred functional traits based on DNA sequencing data. Our model predicts biokinetic parameters of the process-based model from genomic trait data with a neural network and integrates constraints from ecological theory and literature to ensure realistic behavior, even of non-observed state variables. We evaluate our method on synthetic genomic trait datasets of varying complexity and on real data, showing that our approach improves performance over multiple baselines and learns the dynamics of unmeasurable components of the process-based model effectively, even for small training datasets.
• Abstract（参考訳）: 土壌微生物は有機物循環を制御し、土壌システムがどのように気候変動や環境脅威に対処し緩和するかを決定づける。 したがって、プロセスベースの土壌モデルにおける微生物の動態を表現することは、土壌内の炭素循環を予測するのに非常に重要であり、データから情報を得るのは非常に困難である。 しかし、ゲノムと微生物が駆動するプロセスの間の複雑で未知の関係をモデル化することは未解決の問題である。 本研究では,DNAシークエンシングデータに基づくメタゲノム推論機能特性から,プロセスベース土壌有機物ターンオーバーモデルの生体動態パラメータ値を導出する最初のハイブリッド・モデリング・フレームワークを提案する。 本モデルは,ゲノム特性データからニューラルネットワークによるプロセスベースモデルの生体動態パラメータを予測し,生態学理論や文献からの制約を統合し,非観測状態変数においても現実的な行動を保証する。 本手法は,様々な複雑さのゲノム特性データセットと実データを用いて評価し,本手法が複数のベースラインにまたがって性能を向上し,プロセスベースモデルの計測不能成分のダイナミックスを,小規模なトレーニングデータセットであっても効果的に学習することを示す。

関連論文リスト

• Towards World Models in Biomedical Research [77.59710966764466]
  我々は,AIによる発見のパラダイムとして,バイオメディカルワールドモデルを提案する。 これらのモデルは、介入条件付き力学とともに、分子、細胞、組織、臨床状態の潜伏表現を学習する。 バイオメディカルワールドモデルは, 仮想細胞, オルガノイド, 仮想患者, 手術シミュレーションなど, データエンジン, 環境シミュレータ, 科学計画基板としてどのように機能するかを論じる。
  論文  参考訳（メタデータ） (2026-06-04T09:28:54Z)
• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• Inferring stochastic dynamics with growth from cross-sectional data [3.3748750222488657]
  本稿では,成長を伴うダイナミックスとしてモデル化された生物学的プロセスの課題に対処する,新しい確率フロー推定手法を提案する。 フォッカー・プランク方程式のラグランジアン定式化を利用して, 本手法は内在雑音や成長からドリフトを正確に解離する。
  論文  参考訳（メタデータ） (2025-05-19T14:51:47Z)
• Omics-driven hybrid dynamic modeling of bioprocesses with uncertainty estimation [0.0]
  この研究は、機械学習ツールを統合するオミクス駆動モデリングパイプラインを提示している。 ランダムフォレストと置換特徴の重要性は、オミクスデータセットをマイニングするために提案されている。 連続的かつ微分可能な機械学習関数は、減ったオミクス機能を動的モデルのキーコンポーネントにリンクするように訓練することができる。
  論文  参考訳（メタデータ） (2024-10-24T15:50:35Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。