論文の概要: Smooth $\%$MinMax: A Differentiable Relaxation for Codon Harmonization

• arxiv url: http://arxiv.org/abs/2607.03881v1
• Date: Sat, 04 Jul 2026 13:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.743757
• Title: Smooth $\%$MinMax: A Differentiable Relaxation for Codon Harmonization
• Title（参考訳）: Smooth $\%$MinMax:コドン調和の微分緩和
• Abstract要約: コドン調和は、頻繁なコドンのネイティブなパターンを保ちながら、異種表現にコード配列を適用することを目的としている。 例えば$%$MinMaxのような広く使われている調和度は、離散コドン配列で定義される。 Smooth $%$MinMax, $%rm MinMax_(s)$ は従来のハードな $%$MinMax 計量の微分緩和である。
• 参考スコア（独自算出の注目度）: 0.9185931275245008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Codon harmonization aims to adapt the coding sequences for heterologous expression while preserving the native-like patterns of frequent and rare codons that may influence local translation dynamics and co-translational protein folding. However, widely used harmonization metrics, such as $\%$MinMax, are defined on discrete codon sequences and are, therefore, not readily compatible with gradient-based neural codon design. Here, we introduce Smooth $\%$MinMax, denoted as $\%{\rm MinMax}_{(s)}$, a differentiable relaxation of the conventional hard $\%$MinMax metric, denoted as $\%{\rm MinMax}_{(h)}$. $\%{\rm MinMax}_{(s)}$ replaces the discrete codon-usage values with probability-weighted synonymous-codon usage values and replaces the hard $\%$Max/$\%$Min branch with a sigmoid-gated interpolation. This formulation preserves the signed interpretation of $\%{\rm MinMax}_{(h)}$, while enabling optimization with respect to the synonymous-codon probabilities and learnable parameters. In human-to-Escherichia coli codon harmonization experiments, $\%{\rm MinMax}_{(s)}$ closely approximates $\%{\rm MinMax}_{(h)}$ and supports gradient-based profile matching in synonymous-codon probability space. These results suggest $\%{\rm MinMax}_{(s)}$ as a practical bridge between profile-based codon harmonization and neural synonymous-sequence design.
• Abstract（参考訳）: コドン調和は、局所翻訳力学や共翻訳タンパク質の折り畳みに影響を及ぼす稀なコドンの固有なパターンを保ちながら、異種発現にコード配列を適用することを目的としている。 しかし、$\%$MinMaxのような広く使われている調和度は、離散コドン配列で定義されるため、勾配に基づくニューラルコドン設計と容易には互換性がない。 ここでは、Smooth $\%$MinMax, $\%{\rm MinMax}_{(s)}$, a differentiable relaxation of the conventional hard $\%$MinMax metric, called $\%{\rm MinMax}_{(h)}$を紹介する。 $\%{\rm MinMax}_{(s)}$は離散コドン使用値を確率重み付き同義コドン使用値に置き換え、ハード$\%$Max/$\%$Minブランチをシグミノイドゲート補間に置き換える。 この定式化は$\%{\rm MinMax}_{(h)}$の符号付き解釈を保持し、同義のコドン確率と学習可能なパラメータに関して最適化を可能にする。 ヒトから大腸菌のコドン調和実験では、$\%{\rm MinMax}_{(s)}$は近似$\%{\rm MinMax}_{(h)}$に近づき、同義コドン確率空間における勾配ベースのプロファイルマッチングをサポートする。 これらの結果は、プロファイルベースのコドン調和とニューラルシノニム系列設計の実践的ブリッジとして$\%{\rm MinMax}_{(s)}$を示唆している。

関連論文リスト

• Optimal Low-Rank Quantum State Tomography with Bounded-Sample Joint Measurements [6.929688137243709]
  低ランク量子状態トモグラフィーの最適なサンプル複雑性は、各測定値が少なくとも$t$のサンプルに対して共同で作用するときに決定する。 下限については、固定された均一スペクトルを持つ状態のサポートを変更し、$t$サンプル上のすべての関節測定のフィッシャー情報トレースをバインドする。 上界ではガウス関節計測に基づいて非適応トモグラフィープロトコルを構築し解析する。
  論文  参考訳（メタデータ） (2026-09-09T17:48:41Z)
• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• Precision measurements at the interface between unitary and non-unitary encoding [5.6357907888795085]
  単項パラメータ$$と散逸強度$$の両方について解析精度式を導出する。 ユニタリ符号化の場合、最適符号化時間は$N$とは独立であり、ハイゼンベルク極限$propto 1 / N$となる。 非単位エンコーディングでは、精度は固有のダイナミクスやエンコーディング時間に敏感で、$propto sqrt/ expval*hatLdagger hatL$としてスケールする。
  論文  参考訳（メタデータ） (2026-06-09T08:00:43Z)
• Sign Operator for Coping with Heavy-Tailed Noise in Non-Convex Optimization: High Probability Bounds Under $(L_0, L_1)$-Smoothness [74.18546828528298]
  SignSGD with Majority Votingは,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappaka ppakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa -1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappappapa-1right,Kappaを用いて,複雑性の全範囲で堅牢に動作することを示す。
  論文  参考訳（メタデータ） (2025-02-11T19:54:11Z)
• Nonconvex Stochastic Optimization under Heavy-Tailed Noises: Optimal Convergence without Gradient Clipping [21.865728815935665]
  重み付き雑音下での最初の収束を提供するが、切断はしない。 また、テールインデックス$mathfrakp$が事前に不明な場合には、最初の$mathcalO(Tfrac1-mathfrakp3mathfrakp-2)$収束率も設定する。
  論文  参考訳（メタデータ） (2024-12-27T08:46:46Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Further Understanding of a Local Gaussian Process Approximation: Characterising Convergence in the Finite Regime [1.3518297878940662]
  非常に正確かつ大規模に拡張可能なGPnn回帰モデルに対するカーネル関数の一般的な選択は、データセットサイズ$n$の増加に伴って徐々に振る舞いに収束することを示す。 同様の境界はモデルの不特定の下で見出され、MSEと重要な校正計量の総合的な収束率を与えるために組み合わせられる。
  論文  参考訳（メタデータ） (2024-04-09T10:47:01Z)
• Revisiting Inexact Fixed-Point Iterations for Min-Max Problems: Stochasticity and Structured Nonconvexity [18.427215139020632]
  1L 1$は、マルチレベルなCarloイテレーションであっても、最先端の問題を改善するために使用できることを示す。 解に関する唯一のホールドが新しい1L 1$理論である場合、不正確なハルパーネス推定器を1L 1$で解析する。
  論文  参考訳（メタデータ） (2024-02-07T18:22:41Z)
• Exact results on finite size corrections for surface codes tailored to biased noise [0.0]
  位相バイアス雑音下でのXYとXZZXの表面符号について検討する。 厳密な解は特別な乱れ点で見つかる。 我々は,論理的失敗率の総数だけでなく,位相とビットフリップの論理的失敗率の独立性に基づくしきい値を計算することにより,より確実な推定値が得られることを示した。
  論文  参考訳（メタデータ） (2024-01-08T16:38:56Z)
• Best Policy Identification in Linear MDPs [70.57916977441262]
  縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。 複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
  論文  参考訳（メタデータ） (2022-08-11T04:12:50Z)
• A Law of Robustness beyond Isoperimetry [84.33752026418045]
  我々は、任意の分布上でニューラルネットワークパラメータを補間する頑健性の低い$Omega(sqrtn/p)$を証明した。 次に、$n=mathrmpoly(d)$のとき、スムーズなデータに対する過度なパラメータ化の利点を示す。 我々は、$n=exp(omega(d))$ のとき、$O(1)$-Lipschitz の頑健な補間関数の存在を否定する。
  論文  参考訳（メタデータ） (2022-02-23T16:10:23Z)
• Provably Breaking the Quadratic Error Compounding Barrier in Imitation Learning, Optimally [58.463668865380946]
  状態空間 $mathcalS$ を用いたエピソードマルコフ決定過程 (MDPs) における模擬学習の統計的限界について検討する。 rajaraman et al (2020) におけるmdアルゴリズムを用いた準最適性に対する上限 $o(|mathcals|h3/2/n)$ を定式化する。 Omega(H3/2/N)$ $mathcalS|geq 3$ であるのに対して、未知の遷移条件はよりシャープレートに悩まされる。
  論文  参考訳（メタデータ） (2021-02-25T15:50:19Z)
• Second-Order Information in Non-Convex Stochastic Optimization: Power and Limitations [54.42518331209581]
  私たちは発見するアルゴリズムを見つけます。 epsilon$-approximate stationary point ($|nabla F(x)|le epsilon$) using $(epsilon,gamma)$surimateランダムランダムポイント。 ここでの私たちの下限は、ノイズのないケースでも新規です。
  論文  参考訳（メタデータ） (2020-06-24T04:41:43Z)
• Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
  期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
  論文  参考訳（メタデータ） (2020-05-29T07:20:35Z)

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。