論文の概要: RegNetAgents: A Multi-Agent Framework for Cross-Network Regulatory Driver Identification in Cancer Genomics
- arxiv url: http://arxiv.org/abs/2607.14097v1
- Date: Thu, 16 Apr 2026 17:39:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.005331
- Title: RegNetAgents: A Multi-Agent Framework for Cross-Network Regulatory Driver Identification in Cancer Genomics
- Title（参考訳）: RegNetAgents:癌ゲノムにおけるクロスネットワーク制御ドライバ識別のためのマルチエージェントフレームワーク
- Abstract要約: RegNetAgentsは、遺伝子規制ネットワーク全体にわたる構造化されたクエリ駆動型規制候補識別のための、AI指向のフレームワークである。
特定の焦点遺伝子に対して、このフレームワークは二重ネットワーク分類、OncoKBアノテーションを用いた癌遺伝子フィルタリング、腫瘍由来の制御関係のためのモード・オブ・アクション(MoA)割り当てを行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce RegNetAgents, an AI-oriented multi-agent framework for structured, query-driven regulatory candidate identification across heterogeneous gene regulatory networks. The system enables unified analysis of bulk tumor and single-cell-derived ARACNe networks by integrating TCGA-derived cancer networks with large-scale single-cell regulatory networks from the GREmLN project. For a given focal gene, the framework performs dual-network classification, cancer gene filtering using OncoKB annotations, and mode-of-action (MoA) assignment for tumor-derived regulatory relationships. Candidates are ranked by evidence consistency across networks (Both, TCGA-only, GREmLN-only). The system is implemented as a multi-agent LangGraph DAG workflow, accessible through a unified Python API and Model Context Protocol (MCP) client, operating as a downstream analytical layer over precomputed regulatory networks rather than a network inference method. Across eleven breast cancer (BRCA) and twelve colorectal cancer (COAD) focal genes, RegNetAgents identifies candidate regulators significantly enriched for OncoKB-annotated cancer genes. TCGA-derived candidates show strong enrichment (Stouffer Z = 6.69 for BRCA and 6.95 for COAD), while GREmLN-derived candidates also demonstrate significant enrichment (Z = 5.51 for BRCA and 7.06 for COAD; all p < 0.0001). No enrichment is observed in housekeeping or non-driver control gene sets, supporting signal specificity. An extended module enables structured evaluation of oncogenic potential, druggability, clinical relevance, and network vulnerability, supporting end-to-end interpretation from candidate identification to biological hypothesis generation. RegNetAgents establishes an interpretable AI framework for cross-network regulatory candidate identification in cancer genomics.
- Abstract（参考訳）: 異種遺伝子制御ネットワーク間で構造化されたクエリ駆動型規制候補識別のための,AI指向のマルチエージェントフレームワークであるRegNetAgentsを紹介する。
本システムは,TCGA由来の癌ネットワークとGREmLNプロジェクトからの大規模単一細胞制御ネットワークを統合することにより,バルク腫瘍と単細胞由来のARACNeネットワークの統一解析を可能にする。
特定の焦点遺伝子に対して、このフレームワークは二重ネットワーク分類、OncoKBアノテーションを用いた癌遺伝子フィルタリング、腫瘍由来の制御関係のためのモード・オブ・アクション(MoA)割り当てを行う。
候補は、ネットワーク間のエビデンス一貫性(いずれもTCGAのみ、GREmLNのみ)によってランク付けされる。
このシステムはマルチエージェントのLangGraph DAGワークフローとして実装され、統一されたPython APIとモデルコンテキストプロトコル(MCP)クライアントを介してアクセス可能であり、ネットワーク推論ではなく、事前計算された規制ネットワーク上の下流分析層として動作する。
11の乳癌 (BRCA) と12の大腸癌焦点遺伝子 (COAD) のうち、RegNetAgents はOncoKB を付加した癌遺伝子に顕著に富む候補を同定する。
TCGA由来の候補は強い富化を示す(Stouffer Z = 6.69、COADは 6.95)が、GREmLN由来の候補は大きな富化を示す(Z = 5.51、COADは 7.06、p < 0.0001)。
ハウスキーピングや非ドライバ制御遺伝子セットではエンリッチメントは見られず、シグナル特異性を支持する。
拡張モジュールは、腫瘍原性電位、薬剤性、臨床関連性、ネットワーク脆弱性の構造化評価を可能にし、候補同定から生物学的仮説生成へのエンドツーエンドの解釈をサポートする。
RegNetAgentsは、がんゲノム学におけるクロスネットワーク規制候補同定のための解釈可能なAIフレームワークを確立する。
関連論文リスト
- BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。
学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。
CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
論文 参考訳（メタデータ） (2026-08-06T11:58:29Z) - BRIDGE: Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks [25.29216866424431]
遺伝子制御ネットワーク(BRIDGE)のためのバイオエビデンス・リファインメントと異種動的ゲーティングという革新的なフレームワークを提案する。
BRIDGEは、発現マトリックスとそのマトリックス双対から遺伝子および細胞表現を抽出し、自己と隣人の間の遺伝子空間と細胞空間においてコントラスト学習を行う。
その後、遺伝子と細胞間の情報伝達を適応的に制御するために異種ゲートエンコーディングを適用し、堅牢な転写因子からターゲットへの遺伝子予測を可能にする。
論文 参考訳（メタデータ） (2026-06-02T11:54:36Z) - Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference [27.283687143036712]
遺伝子制御ネットワーク(GRN)は転写因子-標的相互作用を捉え、細胞-状態制御と疾患を理解する中心となる。
EpiAwareNetは、軽量な生物学的事前情報のみを用いて、ペア化された単一セルデータからGRNを再構成する、事前誘導型マルチオミックトランスフォーマフレームワークである。
論文 参考訳（メタデータ） (2026-05-30T11:49:21Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - Genotype-Phenotype Integration through Machine Learning and Personalized Gene Regulatory Networks for Cancer Metastasis Prediction [1.7895738175272824]
転移はがんによる死亡の原因である。
古典的な機械学習とディープラーニングを統合して、複数のがんタイプにわたる転移能を予測する。
論文 参考訳（メタデータ） (2025-10-22T05:20:13Z) - Soft-Evidence Fused Graph Neural Network for Cancer Driver Gene Identification across Multi-View Biological Graphs [8.230375557003832]
癌ドライバ遺伝子(CDG)の同定は、がんのメカニズムを理解し、標的治療を開発するために不可欠である。
グラフニューラルネットワーク(GNN)は、生体相互作用ネットワークのパターンをキャプチャすることでCDGを識別するために最近採用されている。
決定レベルで複数のネットワークにまたがるCDG識別のための新しいフレームワークであるSEFGNN(Soft-Evidence Fusion Graph Neural Network)を提案する。
論文 参考訳（メタデータ） (2025-10-07T05:20:57Z) - Learning from Few Samples: A Novel Approach for High-Quality Malcode Generation [47.76793060077816]
侵入検知システム(IDS)は,ネットワークセキュリティ防衛において重要な役割を担っている。
検出モデルのトレーニングにおけるIDSの重要な課題は、適切にラベル付けされた悪意のあるサンプルが不足していることである。
本稿では、GAN(Generative Adrial Networks)とLLM(Large Language Models)を統合した、新しい半教師付きフレームワーク textbfGANGRL-LLMを提案する。
論文 参考訳（メタデータ） (2025-08-25T15:55:17Z) - Language Models for Controllable DNA Sequence Design [41.74647005781059]
制御可能生成のための自動変圧器発電機ATGC-Genを紹介する。
ATGC-Genはデコーダのみとエンコーダのみのトランスフォーマーアーキテクチャでインスタンス化されている。
我々の実験はATGC-Genが、流動的で多様性があり、生物学的に関係のある配列を生成できることを実証した。
論文 参考訳（メタデータ） (2025-07-19T06:23:17Z) - A Novel Graph Transformer Framework for Gene Regulatory Network Inference [0.27624021966289597]
遺伝子制御ネットワーク(GRN)の推測は、必ずしも真の生物学的相互作用を反映するとは限らない。
ほとんどのGRN推論手法は、ネットワーク再構築フェーズにおいていくつかの課題に直面している。
生データから直接遺伝子発現パターンをキャプチャするために,オートエンコーダの埋め込みを用いる。
GRN構造からの事前の知識を埋め込み、それらをテキストのような表現に変換する。
論文 参考訳（メタデータ） (2025-04-23T06:24:26Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。
GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。
エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
論文 参考訳（メタデータ） (2023-06-12T07:27:31Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z)
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。