論文の概要: Continuous surrogates versus threshold Boolean networks for modeling Arabidopsis ISR gene regulation
- arxiv url: http://arxiv.org/abs/2607.23289v1
- Date: Sat, 25 Jul 2026 16:57:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.051674
- Title: Continuous surrogates versus threshold Boolean networks for modeling Arabidopsis ISR gene regulation
- Title（参考訳）: シロイヌナズナISR遺伝子制御のモデリングのための持続的サロゲートとしきい値ブールネットワーク
- Abstract要約: 連続代理モデルと同一のtextitArabidopsis tha 誘導系抵抗データセット上での離散力学モデルを比較した。
この研究は、9つの時間点で測定された8つの防衛関連遺伝子を検討し、2つの連続予測因子、ランダムフォレスト(RF)回帰とマルチ層パーセプトロン(MLP)を評価する。
RFは連続領域で平均1段階の数値性能を達成し、MAEは1.910、RMSEは2.836と2.089、RMSEは3。
バイナリドメインでは、TBNは平均的な1ステップの質的性能を1で取得した。
- 参考スコア（独自算出の注目度）: 1.5229257192293202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gene regulatory network modeling often requires balancing predictive accuracy and mechanistic interpretability. In this work, we compare continuous surrogate models and a discrete mechanistic model on the same \textit{Arabidopsis thaliana} induced systemic resistance (ISR) dataset, using both the raw continuous gene-expression measurements and their sign-binarized representation. The study considers eight defense-related genes measured over nine time points and evaluates two continuous predictors, Random Forest (RF) regression and a Multi-Layer Perceptron (MLP), against a threshold Boolean network (TBN). The models are assessed using rolling-origin one-step prediction, recursive multi-step rollout, and interpretability analysis. RF achieved the best average one-step numerical performance in the continuous domain, with an MAE of 1.910 and an RMSE of 2.836, compared with 2.089 and 3.106 for the MLP. In the binary domain, the TBN obtained the best average one-step qualitative performance, with a binary accuracy of 0.550 and a Hamming distance of 3.600, compared with 0.500 and 4.000 for RF, and 0.495 and 4.040 for the MLP. In recursive rollout, the TBN exactly reproduced the observed binarized trajectory, while the MLP also showed near-perfect fidelity, with a trajectory binary accuracy of 0.986, and RF accumulated substantially larger deviation, with a trajectory binary accuracy of 0.708. These results highlight that local numerical accuracy and global qualitative dynamical fidelity are not necessarily aligned, and suggest that continuous surrogates and threshold Boolean networks should be viewed as complementary tools for modeling biological regulation.
- Abstract（参考訳）: 遺伝子制御ネットワークモデリングは、しばしば予測精度と機械的解釈可能性のバランスを必要とする。
本研究では, 連続代理モデルと同一の <textit{Arabidopsis thaliana} 誘導全身抵抗 (ISR) データセット上での離散力学モデルを比較し, 生の連続遺伝子発現測定とサイン-バイナリ化表現を用いた。
この研究は、9つの時間点で測定された8つの防衛関連遺伝子を考察し、閾値ブールネットワーク(TBN)に対して2つの連続予測因子であるランダムフォレスト(RF)回帰とマルチ層パーセプトロン(MLP)を評価する。
モデルは、ロールオリジンワンステップ予測、再帰的マルチステップロールアウト、解釈可能性分析を用いて評価される。
RFは、MLPの2.089と3.106と比較して、MAEが1.910、RMSEが2.836の連続領域において、平均的な1ステップの数値性能を達成した。
2次領域では、TBNは0.550とハミング距離3.600で、RFは0.500と4000、MPPは0.495と4.040と、平均的な1段階の定性性能を得た。
再帰的なロールアウトでは、TBNは観測された双対軌道を正確に再現し、MLPは軌道二乗精度0.986で、RFは軌道二乗精度0.708でかなり大きな偏差を蓄積した。
これらの結果から,局所的な数値的精度と大域的定性的動的忠実度は必ずしも一致していないことが示唆され,連続的な代理としきい値のブールネットワークが生物学的規制をモデル化するための相補的ツールとして見なされるべきであることが示唆された。
関連論文リスト
- Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。
最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。
検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
論文 参考訳（メタデータ） (2026-07-07T22:31:53Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - On the Limits of Interpretable Machine Learning in Quintic Root Classification [0.0]
我々は、決定木、ロジスティック回帰、サポートベクターマシン、ランダムフォレスト、勾配向上、XGBoost、シンボリック回帰、ニューラルネットワークを含む幅広い機械学習モデルをテストする。
評価されたMLモデルが、生係数から離散的、人間解釈可能な数学的ルールを自律的に回復する証拠は見つからない。
これらの結果は、構造化された数学的領域において、解釈容易性は純粋にデータ駆動近似よりも明確な構造的帰納的バイアスを必要とすることを示唆している。
論文 参考訳（メタデータ） (2026-02-26T19:53:41Z) - Exact Discrete Stochastic Simulation with Deep-Learning-Scale Gradient Optimization [0.0]
連続時間マルコフ連鎖(CTMC)の厳密なシミュレーションは、離散性とノイズ駆動系の振る舞いにおいて不可欠であるが、ジルズピー型アルゴリズムの厳密なカテゴリー選択は勾配に基づく学習を妨げている。
我々は, この制約を, 後方微分からフォワードシミュレーションを分離することにより排除し, 厳密な分類的サンプリングにより, 連続的に並列なGumbel-Softmaxストレートスルーサロゲートを伝播する正確な軌道と勾配を生成する。
本研究により, システム生物学, 化学動力学, 物理, およびCTMCが支配する領域における高次元パラメータ推論と逆設計が可能となった。
論文 参考訳（メタデータ） (2026-02-23T12:29:43Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。
どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。
32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
論文 参考訳（メタデータ） (2025-10-22T07:59:38Z) - Enhanced Predictive Modeling for Hazardous Near-Earth Object Detection: A Comparative Analysis of Advanced Resampling Strategies and Machine Learning Algorithms in Planetary Risk Assessment [0.0]
本研究では,二元分類フレームワークによる有害地球近傍天体(NEO)の予測のための機械学習モデルの性能評価を行った。
RFC と GBC はともに 0.987 と 0.896 の印象的な F2 スコアで最高の性能を発揮した。
論文 参考訳（メタデータ） (2025-08-20T22:50:00Z) - Differentiated Thyroid Cancer Recurrence Classification Using Machine Learning Models and Bayesian Neural Networks with Varying Priors: A SHAP-Based Interpretation of the Best Performing Model [0.0]
甲状腺癌のDTC再発は主要な公衆衛生上の問題である。
本研究は, 383名の患者を対象としたデータセットを用いて, DTC再分類のための包括的枠組みを提案する。
論文 参考訳（メタデータ） (2025-07-25T06:31:31Z) - Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。
トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T13:13:39Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z)
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。