論文の概要: KG-TRACE: A Neuro-Symbolic Framework for Mechanistic Grounding in Antimicrobial Resistance Prediction

• arxiv url: http://arxiv.org/abs/2606.26179v1
• Date: Wed, 24 Jun 2026 12:35:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.022841
• Title: KG-TRACE: A Neuro-Symbolic Framework for Mechanistic Grounding in Antimicrobial Resistance Prediction
• Title（参考訳）: KG-TRACE : 抗菌抵抗予測のための機械的接地のためのニューラルネットワークフレームワーク
• Abstract要約: KG-TRACEは、WHO突然変異知識グラフ(KG)を神経ゲノムモデル上の構造的生物学的制約として統合する新しいニューロシンボリックフレームワークである。 CRyPTIC M結核コホートの評価 競争の正確さを達成する一方で、その主な価値は、予測的上昇ではなく、象徴的な接地にある。
• 参考スコア（独自算出の注目度）: 8.335534613190982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While WGS-based AMR prediction has reached high accuracy, existing models lack a mechanism to ground neural attributions in established biological pathways. We present KG-TRACE, a novel neuro-symbolic framework that integrates the WHO mutation knowledge graph (KG) as a structured biological constraint on a neural genomic model. Unlike existing methods that learn statistical patterns in isolation, KG-TRACE fuses genomic features and RotatE-based KG embeddings through a learned epistemic trust gate, dynamically weighting neural evidence against symbolic biological knowledge. Evaluated on the CRyPTIC M. tuberculosis cohort, KG-TRACE achieves an AUROC of 0.9760 for isoniazid, achieving competitive accuracy while its primary value lies in symbolic grounding, not predictive uplift. More importantly, we introduce the Biological Grounding Ratio (BGR), a dataset-level metric that quantifies alignment between neural attributions and established biology. Our framework achieves a 92.5% symbolic coverage of isoniazid-resistant predictions and effectively identifies MDR co-occurrence artifacts by issuing laboratory follow-up flags for 'UNCERTAIN' cases. We demonstrate that neuro-symbolic grounding provides a verifiable audit trail for clinicians, bridging the gap between predictive accuracy and clinical trust.
• Abstract（参考訳）: WGSベースのAMR予測は高い精度に達したが、既存のモデルは確立された生物学的経路における神経帰属のメカニズムを欠いている。 我々は、WHO変異知識グラフ(KG)を神経ゲノムモデル上の構造的生物学的制約として統合する、新しいニューロシンボリックフレームワークであるKG-TRACEを提案する。 孤立した統計パターンを学習する既存の方法とは異なり、KG-TRACEはゲノムの特徴を融合させ、RotatEをベースとしたKG埋め込みは、学習されたてんかんの信頼ゲートを通って、象徴的な生物学的知識に対する神経的証拠を動的に重み付けする。 CRyPTIC M. tuberculosis cohortに基づいて評価され、KG-TRACEはイソニアジッドのAUROCの0.9760を達成し、その主な値は予測的な上昇ではなく象徴的な起伏にあるが、競争の正確性を達成する。 さらに重要なことは、ニューラルネットワークと確立された生物学のアライメントを定量化するデータセットレベルの指標であるBGR(Biological Grounding Ratio)を導入することである。 本フレームワークは, イソニアジド耐性予測の92.5%のシンボリックカバレッジを実現し, 「UNCERTAIN」症例に対して, 実験用フォローアップフラグを発行することにより, MDR共起アーティファクトを効果的に同定する。 本研究は,神経シンボリックグラウンドディングが,予測精度と臨床信頼のギャップを埋めて,臨床医に検証可能な監査証跡を提供することを実証する。

関連論文リスト

• NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis [19.853206603792824]
  ノイズの多い脳波グラフをキャリブレーションするための検索強化グラフ改善フレームワークであるNeuroGRIPを紹介する。 まず,権威的臨床ガイドラインに基づく大規模・ドメイン固有知識ベースを構築した。 本フレームワークは,STGNN生成したEEGノードをKGの意味空間に投影することで,アライメント対応クエリ構築を行う。
  論文  参考訳（メタデータ） (2026-07-15T19:20:29Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• Stein-Encoder: A White-Box Supervised Encoder via Stein Identities in Multi-Modal Studies [2.993434602225802]
  臨床効果を誘導する遺伝子シグナルを分離するためのホワイトボックス制御フレームワークであるStein-Encoderを提案する。 METABRICコホートに適用されたStein-Encoderは、教師なしベンチマークよりも予測精度が高い。 腫瘍の大きさは主に有糸分裂ネットワークによって引き起こされているのに対し、予後指標は異なる増殖・対向免疫軸に依存している。
  論文  参考訳（メタデータ） (2026-05-25T11:43:09Z)
• A Specialized Importance-Aware Quantum Convolutional Neural Network with Ring-Topology (IA-QCNN) for MGMT Promoter Methylation Prediction in Glioblastoma [0.0]
  MGMTプロモーターメチル化は、テモゾロマイド系化学療法に対する反応を予測するための重要な予後指標である。 非侵襲的なMGMT予測のために、さまざまなAIフレームワークが開発されている。 量子力学の原理に基づいて、特殊なIA-QCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-24T02:20:21Z)
• Contextual Invertible World Models: A Neuro-Symbolic Agentic Framework for Colorectal Cancer Drug Response [4.796382757669091]
  精度オンコロジーは現在、小さなN、大きなPパラドックスによって制限されている。 このギャップを埋めるニューロシンボリックエージェントフレームワークを提案する。 われわれのフレームワークは、癌研究における説明可能なAIへの透明で生物学的に根ざした道を提供する。
  論文  参考訳（メタデータ） (2026-03-01T16:15:58Z)
• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
  本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。 シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。 本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
  論文  参考訳（メタデータ） (2025-09-04T15:20:13Z)
• Adaptive Shrinkage Estimation For Personalized Deep Kernel Regression In Modeling Brain Trajectories [4.605794646684244]
  そこで我々は,脳バイオマーカーの予測を行うための,パーソナライズされたディープカーネル回帰フレームワークを提案する。 我々のアプローチでは、大きなコホートから脳の軌跡をキャプチャする集団モデルと、個々の軌跡をキャプチャする対象特異的モデルという2つの重要な要素を統合している。
  論文  参考訳（メタデータ） (2025-04-10T19:13:44Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。