論文の概要: Deep and Probabilistic Models for Gene Regulatory Network Inference
- arxiv url: http://arxiv.org/abs/2607.16053v1
- Date: Fri, 17 Jul 2026 15:31:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.889764
- Title: Deep and Probabilistic Models for Gene Regulatory Network Inference
- Title（参考訳）: 遺伝子制御ネットワーク推論のための深部モデルと確率モデル
- Abstract要約: 遺伝子制御ネットワーク(GRN)は、転写因子(TF)タンパク質を標的遺伝子にリンクするが、これらのネットワークをゲノム全体のデータから再構成することは、実用的および方法論上の制約の下では困難である。
この論文では、これらの制限に対処する2つの補完的なフレームワークを開発する。
第一に、PMF-GRNはGRN推論を変分推論によって最適化された確率的グラフィカルモデルとし、原理的モデル選択と不確実性を考慮したエッジ推定を可能にする。
第2に、GLM-Priorは、プレトレーニングされたヌクレオチドトランスを微調整して、ヌクレオチド配列から直接TF-ターゲット遺伝子相互作用を予測することで、以前のボトルネックに対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gene regulatory networks (GRNs) link transcription factor (TF) proteins to their target genes, yet reconstructing these networks from genome-wide data remains challenging under practical and methodological constraints. Many methods couple modeling assumptions to a specific inference procedure and rely on heuristic model selection, while evaluation is constrained by incomplete reference networks and point-estimate outputs that lack uncertainty. GRN reconstruction also depends on prior knowledge to constrain TF-gene interactions, yet available priors are often assay-dependent and difficult to transfer across species and less-characterized systems. In this thesis, we develop two complementary frameworks that address these limitations. In the first, PMF-GRN casts GRN inference as a probabilistic graphical model optimized by variational inference, enabling principled model selection and uncertainty-aware edge estimates. In the second, GLM-Prior addresses the prior bottleneck by fine-tuning the pretrained Nucleotide Transformer to predict TF-target gene interactions directly from nucleotide sequence, while generalizing across yeast, mouse, and human settings. Together, PMF-GRN and GLM-Prior motivate a dual-stage view of GRN reconstruction in which sequence-derived priors provide a transferable starting scaffold and probabilistic inference refines regulatory estimates with quantified uncertainty under incomplete evaluation resources.
- Abstract（参考訳）: 遺伝子制御ネットワーク(GRN)は、転写因子(TF)タンパク質を標的遺伝子にリンクするが、これらのネットワークをゲノム全体のデータから再構成することは、実用的および方法論上の制約の下では困難である。
多くの手法は、仮説を特定の推論手順に結合し、ヒューリスティックなモデル選択に依存し、不完全な参照ネットワークと不確実性に欠ける点推定出力によって評価が制約される。
GRNの再構成は、TF遺伝子間の相互作用を制限するための事前知識にも依存するが、利用可能な事前知識は、しばしばアッセイに依存し、種やより特性の低いシステム間での移動が困難である。
この論文では、これらの制限に対処する2つの補完的なフレームワークを開発する。
第一に、PMF-GRNはGRN推論を変分推論によって最適化された確率的グラフィカルモデルとし、原理的モデル選択と不確実性を考慮したエッジ推定を可能にする。
第2に、GLM-Priorは、事前訓練されたヌクレオチドトランスフォーマーを微調整し、ヌクレオチド配列から直接TF-ターゲット遺伝子相互作用を予測し、酵母、マウス、ヒトの設定を一般化することで、以前のボトルネックに対処する。
PMF-GRN と GLM-Prior は共に GRN 再構成の2段階的な視点を動機付けており、シーケンス由来の先行が転送可能な出発足場を提供し、確率的推論は不完全な評価資源の下で定量化された不確かさで規制見積もりを洗練させる。
関連論文リスト
- CoDiffGRN: Rethinking Gene Regulatory Network Inference via the BEELINE-KGC Benchmark and Co-evolutionary Discrete Diffusion [20.970593459575756]
単一細胞転写データから遺伝子制御ネットワーク(GRN)を推定することは生物学的発見に不可欠である。
我々は、GRN推論を帰納的、ランキング中心のグラフ補完問題として再構成する。
textbfbenchmarkは、インダクティブな遺伝子保持分割と知識グラフ補完メトリクスを組み合わせた新しいベンチマークである。
論文 参考訳（メタデータ） (2026-07-14T16:07:23Z) - Generalized Neural Distributional Regression [0.0]
本稿では,従来の確率分布の空間にディープニューラルネットワークをシームレスに組み込むGNDR(Generalized Neural Distributional Regression)フレームワークを紹介する。
本フレームワークの汎用性と多彩な分布のキャリブレーションを,多彩な臨床数,治療対象の右エド転写産物の生存プロファイル,非構造化顔画像からの年齢分布などの多彩な範囲で示す。
論文 参考訳（メタデータ） (2026-06-16T19:01:57Z) - Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models [20.71882970022078]
単一細胞ファンデーションモデル(scFM)は遺伝子制御ネットワーク(GRN)の推論に革命をもたらすことが広く期待されている。
我々は、未知の遺伝子やデータセットの規制予測を評価するために設計されたGRN一般化ベンチマークを導入する。
我々は、暗黙の制御情報をSCFMから高一般化可能な遺伝子間特徴に再現する2つの新しい手法、Virtual Value PerturbationとGradient Trajectoryを提案する。
論文 参考訳（メタデータ） (2026-05-01T01:45:24Z) - Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。
scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-02-03T16:43:40Z) - Modeling GRNs with a Probabilistic Categorical Framework [6.929340252997961]
この研究は確率的カテゴリGRN(PC-GRN)フレームワークを導入している。
これは3つのコア方法論の相乗的統合に基づく新しい理論的アプローチである。
このフレームワークは、GRNの数学的に厳密で生物学的に解釈可能で不確実性を認識した表現を提供する。
論文 参考訳（メタデータ） (2025-08-16T14:06:53Z) - GRNFormer: A Biologically-Guided Framework for Integrating Gene Regulatory Networks into RNA Foundation Models [39.58414436685698]
マルチオミクスデータから推定されるマルチスケール遺伝子制御ネットワーク(GRN)をRNA基盤モデルトレーニングに統合する新しいフレームワークを提案する。
GRNFormerは、最先端(SoTA)ベースラインに対して一貫した改善を実現している。
論文 参考訳（メタデータ） (2025-03-03T15:56:39Z) - HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。
本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
論文 参考訳（メタデータ） (2024-11-02T06:43:54Z) - A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。
本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。
また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
論文 参考訳（メタデータ） (2024-08-06T18:18:37Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - Multivariate Deep Evidential Regression [77.34726150561087]
不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。
本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
論文 参考訳（メタデータ） (2021-04-13T12:20:18Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳（メタデータ） (2020-09-05T16:46:56Z)
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。