論文の概要: DevoTG: Temporal Graph Neural Networks for Modeling C. elegans Developmental Connectomics

• arxiv url: http://arxiv.org/abs/2606.21940v1
• Date: Sat, 20 Jun 2026 08:15:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 15:02:35.10231
• Title: DevoTG: Temporal Graph Neural Networks for Modeling C. elegans Developmental Connectomics
• Title（参考訳）: DevoTG:C. elegans発達コネトミクスをモデル化するための時間グラフニューラルネットワーク
• Authors: Jayadratha Gayen, Bradly Alicea,
• Abstract要約: 本稿では,C. elegans の2つの相補的表現に時間グラフネットワーク(TGN)を適用した時間グラフフレームワークであるDevoTGを提案する。 DevoTGは225のニューロンにまたがるクラス(安定、発達、可変)と発達上の2,496の接続(L1は成体)を同定し、Witvliet et alの個々の変数に対する時間-グラフ-理論的な補完を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Understanding how a nervous system wires itself from birth to adulthood is a fundamental challenge in developmental neuroscience. We present DevoTG, a temporal graph framework that applies Temporal Graph Neural Networks (TGNs) to two complementary representations of C. elegans neural development: a Continuous-Time Dynamic Graph (CTDG) of cell division events derived from cell lineage data, and a Discrete-Time Dynamic Graph (DTDG) of the developing synaptic connectome spanning eight reconstructed electron-microscopy datasets. On the lineage prediction task, our TGN achieves a mean test AUC of 0.839 +/- 0.007 (5 seeds; validation AUC 0.937 +/- 0.001), outperforming a static GNN with the identical architecture by 26 AUC points (0.577 +/- 0.080), demonstrating that temporal memory is the decisive factor. Applied to the connectome DTDG, DevoTG identifies three connection stability classes (stable, developmental, and variable) across 225 neurons and 858 to 2,496 connections over development (L1 birth to adult), providing a temporal-graph-theoretic complement to the individual-variability classification of Witvliet et al. Analysis of hub command interneurons AVA, AVB, and AVE reveals their persistent centrality and how their integration roles are progressively reinforced across larval stages. Accompanying interactive visualizations (3D animated networks, centrality heatmaps, and a spatiotemporal lineage graph) make developmental dynamics accessible for biological hypothesis generation. DevoTG is open-source and designed for extension to other developing nervous systems. Code is publicly available at https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG.
• Abstract（参考訳）: 神経系が誕生から成人へどのように結びつくかを理解することは、発達神経科学における根本的な課題である。 本稿では,C. elegans の2つの相補的表現に時間グラフニューラルネットワーク(TGN)を適用した時間グラフフレームワークであるDevoTGについて述べる。 系統予測タスクにおいて,我々のTGN は平均 AUC が 0.839 +/- 0.007 (5シード,バリデーション AUC 0.937 +/- 0.001) であり,26 AUC 点 (0.577 +/- 0.080) の静的 GNN を上回り,時間記憶が決定的な要因であることを示す。 コネクトームDTDGに応用されたDevoTGは、225ニューロンにまたがる3つの接続安定性クラス(安定、発達、可変)を同定し、858から2,496の接続を発達(L1誕生から成体への)し、Witvliet et alの個体・変数分類の時間-グラフ-理論的な補完を提供する。 インタラクティブな可視化(3Dアニメーションネットワーク、中心性ヒートマップ、時空間系グラフ)を伴い、生物学的仮説生成に発達力学を利用できるようにする。 DevoTGはオープンソースで、他の発達する神経系の拡張用に設計されている。 コードはhttps://github.com/DevoLearn/DevoGraph/tree/main/DevoTGで公開されている。

関連論文リスト

• Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
  トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。 TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。 我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
  論文  参考訳（メタデータ） (2026-06-19T10:18:24Z)
• Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification [0.0]
  本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を組み込んだGCNモデルを提案する。 このモデルは,1個あたり5,206個の特徴量を持つ5倍の層状クロスバリデーションを用いて訓練される。 大規模な試験では、拡張モデルの優位性を示し、テスト精度は74.82%、AUCは0.82である。
  論文  参考訳（メタデータ） (2025-11-27T07:33:31Z)
• Graph Variate Neural Networks [9.744098349911168]
  本稿では,GVNN(Graph-Variate Neural Networks: Graph-Variate Neural Networks)について紹介する。 GVNNはグラフベースのモーターベースラインを一貫して上回り、LSTMやTransformerといったシーケンスモデルと競合する。 脳波画像の分類において、GVNNは脳-コンピュータインタフェースの応用の可能性を強調する強力な精度を達成する。
  論文  参考訳（メタデータ） (2025-09-24T16:44:08Z)
• A Dual-Attention Graph Network for fMRI Data Classification [1.3176926720381557]
  本稿では,自閉症スペクトラム障害(ASD)の診断に動的グラフ作成と注意機構を活用するフレームワークを提案する。 本研究のアプローチは、トランスフォーマーに基づく注意機構を用いて、各時間間隔で機能的脳接続を動的に推論する。 我々のモデルは63.2の精度と60.0のAUCを達成し、グラフ静的アプローチより優れている。
  論文  参考訳（メタデータ） (2025-08-18T19:23:18Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• GTEA: Inductive Representation Learning on Temporal Interaction Graphs via Temporal Edge Aggregation [11.526912398475513]
  時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約フレームワークを提案する。 隣接ノードと対応するエッジの埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。 さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
  論文  参考訳（メタデータ） (2020-09-11T07:52:05Z)
• Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
  本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。 我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-07-06T23:11:38Z)

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。