論文の概要: DynImmune-BERT: Dynamic Immune Repertoire Modeling with Neural ODE Driven Continuous Transformers
- arxiv url: http://arxiv.org/abs/2607.17244v1
- Date: Sun, 19 Jul 2026 13:25:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.41067
- Title: DynImmune-BERT: Dynamic Immune Repertoire Modeling with Neural ODE Driven Continuous Transformers
- Title（参考訳）: DynImmune-BERT: ニューラルネットワーク駆動型連続変換器を用いた動的免疫レパートリーモデリング
- Abstract要約: DynImmune-BERTは、患者レベルの免疫状態予測のための連続的時間レパートリーモデルである。
低ランクのメタアダプタは、観察されたクローン数とは無関係にパラメータ数を保ちながら、クローンタイプを監督する。
その結果、時系列レパートリー構造が利用できる場合、イベント認識時空間モデリングは強い静的エンコーダを補完できることがわかった。
- 参考スコア（独自算出の注目度）: 20.989286585908978
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Longitudinal T cell receptor repertoires contain signals of clonal expansion, contraction, disappearance, and reappearance after immune perturbation. Static repertoire language models usually summarize a sample as a bag of sequences, so the sampling interval, sequencing depth, and clone presence pattern are only weakly represented. This paper presents DynImmune-BERT, a continuous time repertoire model for patient level immune status prediction. The method combines depth adaptive centered log ratio initialization, clone presence gated Neural ordinary differential equation dynamics, bounded neighborhood self attention, event based state restart, and a hybrid transport objective that supervises dominant and rare clone mass. A low rank meta adapter initializes reappearing clonotypes while keeping the parameter count independent of the number of observed clones. The evaluation separates literature reported baselines from internally controlled temporal comparisons, reports uncertainty for small external cohorts, adds calibration and threshold diagnostics, and visualizes latent clone trajectories and attention neighborhoods. The results indicate that event aware temporal modeling can complement strong static encoders when longitudinal repertoire structure is available, while small external cohorts and protocol differences require cautious interpretation.
- Abstract（参考訳）: 縦隔T細胞受容体レパートリーは、免疫摂動後のクローン伸展、収縮、消失、再出現のシグナルを含む。
静的レパートリー言語モデルは通常、サンプルをシーケンスの袋として要約するので、サンプリング間隔、シークエンシング深さ、クローン存在パターンは弱いだけである。
本稿では,患者の免疫状態予測のための持続時間レパートリーモデルDynImmune-BERTを提案する。
本手法は, 深度適応型集中ログ比初期化, クローン存在下でのニューラル常微分方程式ダイナミクス, 境界近傍の自己注意, イベントベース状態の再起動, および, 支配的かつ稀なクローン質量を監督するハイブリッド輸送目標とを組み合わせる。
低ランクのメタアダプタは、観察されたクローン数とは無関係にパラメータをカウントしながら、再出現するクローンタイプを初期化する。
この評価は、報告されたベースラインを内部的に制御された時間的比較から分離し、小さな外部コホートの不確実性を報告し、校正としきい値診断を追加し、潜在クローン軌道と注目地区を可視化する。
その結果、時系列レパートリー構造が利用可能である場合、イベント認識時空間モデリングは強力な静的エンコーダを補完し、小さな外部コホートやプロトコルの違いは慎重な解釈を必要とすることが示唆された。
関連論文リスト
- Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation [72.05592785529404]
UDMの標準プラグインブリッジパラメタライゼーションは,後側頭蓋に最適化されないことを示す。
また,UDM関節法をマスク拡散様サンプリング操作に分解して保存する均一拡散の吸収状態再構成も導入した。
論文 参考訳（メタデータ） (2026-05-21T17:27:19Z) - Bias Inheritance in Neural-Symbolic Discovery of Constitutive Closures Under Function-Class Mismatch [1.6249267147413524]
PDE構造を持つ非線形反応拡散系における閉包のデータの駆動的発見について検討する。
物理的制約下で数値的代理を学習し、これらの代理を制限可能な記号族に圧縮し、未知の初期条件で明示的な前方シミュレーションによってシンボル的クロージャを検証する3段階のニューラルネットワーク・シンボリック・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-01T19:39:04Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - ScDiVa: Masked Discrete Diffusion for Joint Modeling of Single-Cell Identity and Expression [24.508523704467695]
シングルセルRNA-seqプロファイルは高次元、スパース、非秩序であり、自己回帰生成は人工的な秩序バイアスを課す。
そこで我々は,ScDiVaをマスク付き離散拡散基礎モデルとして提案する。
論文 参考訳（メタデータ） (2026-02-03T12:50:29Z) - Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。
提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。
提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2025-11-25T10:28:37Z) - BlinDNO: A Distributional Neural Operator for Dynamical System Reconstruction from Time-Label-Free data [6.810595986800653]
時間ラベルのない環境で量子力学系の逆問題について検討する。
マルチスケールなU-Netエンコーダとアテンションベースのミキサーを統合した置換不変アーキテクチャであるBlinDNOを提案する。
論文 参考訳（メタデータ） (2025-11-15T18:15:37Z) - A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
後部分布フレームワークのニューラルネットワークに基づく近似を導入する。
我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。
20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
論文 参考訳（メタデータ） (2025-07-14T18:31:19Z) - Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Causal Graph Discovery from Self and Mutually Exciting Time Series [12.802653884445132]
我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。
Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-06-04T16:59:24Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳（メタデータ） (2020-06-22T15:07:06Z)
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。