論文の概要: TransNRank: Towards Accurate Neoantigen Ranking with Transformer

• arxiv url: http://arxiv.org/abs/2608.01924v2
• Date: Sat, 08 Aug 2026 00:06:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.414253
• Title: TransNRank: Towards Accurate Neoantigen Ranking with Transformer
• Title（参考訳）: TransNRank: Transformerによる正確なネオ抗原ランキングを目指して
• Authors: Zhiyin An, Yuenan Hou, Shumeng Duan, Yiming Zhou, Yuanting Zheng, Leming Shi,
• Abstract要約: 本稿では,TransNRankと命名されたTransformerに基づく新しいディープラーニングフレームワークを提案する。 自己認識機構を活用することで、当社のモデルは、ローカルとグローバル両方の特徴コンテキストをキャプチャする。 我々のパラダイムは、予測パイプラインの合理化だけでなく、ネオ抗原発見のための新しい最先端技術も設定します。
• 参考スコア（独自算出の注目度）: 10.799730517824445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized neoantigen prediction is challenging due to the scarcity of positive samples, the noise of the experimental data, the severe class imbalance trait and the complex of immunogenicity features. Prior arts, such as linear regression and XGBoost fail to model long-range dependencies and contextual relationships within peptide features, therefore the performance of neoantigen positive recall rate is limited. In this paper, we present a novel deep learning framework based on Transformer, coined as TransNRank. By leveraging the self-attention mechanism, our model captures both local and global feature contexts, enabling more accurate recognition of immunogenic neoantigens. A positive-aware training objective is utilized to handle the class imbalance problem, assigning more weights to those few positive samples. Extensive experiments are performed on NCI, TESLA and HiTIDE datasets. Notably, our TransNRank can push the upper bound top 20 recall rate of neoantigen prediction from 46.9% (45 from 96) to 53.1% (51 from 96), while reducing the training epochs from 200 epochs to 20 epochs. Furthermore, we analyze the features contribution based on TransNRank and find that the mutation at anchor and TCGA expression level play an unexpected important role in neoantigen prediction, and removing insignificant features to reduce the input dimensionality of peptides does not drastically impair the overall performance of the model. Our paradigm not only streamlines the prediction pipeline but also sets a new state-of-the-art for neoantigen discovery, with broad implications for accurate immuno-oncology.
• Abstract（参考訳）: パーソナライズされたネオ抗原予測は、陽性サンプルの不足、実験データのノイズ、重度のクラス不均衡特性、免疫原性の特徴の複合体により困難である。 線形回帰やXGBoostのような先行技術は、ペプチドの特徴内の長距離依存性や文脈関係をモデル化できないため、ネオ抗原陽性リコール率のパフォーマンスは制限される。 本稿では,TransNRankと呼ばれるTransformerに基づく新しいディープラーニングフレームワークを提案する。 自己保持機構を活用することで、我々のモデルは局所的な特徴とグローバルな特徴の両方を捉え、免疫原性新抗原のより正確な認識を可能にします。 クラス不均衡問題に対処し、少数の正のサンプルにより多くの重みを割り当てるために、肯定的な訓練目標が利用される。 大規模な実験は、NCI、TESLA、HiTIDEデータセット上で実施される。 特にTransNRankは,新生抗原予測の上位20回のリコール率を46.9% (96から45) から53.1% (96から51) に推し進めると同時に,200エポックから20エポックまでのトレーニングエポックを削減できる。 さらに,TransNRankに基づく特徴量の解析を行い,アンカーおよびTGA発現レベルの変異が新抗原の予測において予期せぬ重要な役割を担っていること,ペプチドの入力次元を減少させるために重要な特徴を除去することは,モデル全体の性能を著しく損なうものではないこと,などを見出した。 我々のパラダイムは、予測パイプラインの合理化だけでなく、新しい新抗原発見の最先端を立案し、正確な免疫オンコロジーに幅広い意味を持つ。

関連論文リスト

• EEG-FuseFormer: A Transformer-Driven Feature Fusion Framework for Seizure Onset Prediction [1.6078171808054218]
  発作発生の正確な予測はてんかん患者のリスクを軽減するのに役立つ。 本稿では,アセプション・オンセット予測のためのトランスフォーマーベースの機能融合フレームワークであるEEG-FuseFormerを提案する。 提案モデルでは,98.85%の平均リコールを実現し,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-06-01T12:27:01Z)
• Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery [12.870479903068665]
  In-Context Active Learningは従来のサロゲートをTabPFNに置き換える。 TabPFNは、何百万もの合成回帰タスクで事前訓練されたトランスフォーマーベースの基礎モデルである。 強力な小さなデータレグレッションパフォーマンスと、十分にキャリブレーションされた予測の不確実性を提供します。
  論文  参考訳（メタデータ） (2026-03-13T01:57:09Z)
• Identifying and Transferring Reasoning-Critical Neurons: Improving LLM Inference Reliability via Activation Steering [50.63386303357225]
  本稿では,ニューロンの活性化に選択的に介入することで推論信頼性を向上させる軽量なテストタイムフレームワークであるAdaRASを提案する。 AdaRASは、極性を意識した平均差基準を介してReasoning-Critical Neurons(RCN)を特定し、推論中にアクティベーションを適応的に制御する。 10の数学およびコーディングベンチマークの実験では、AIME-24とAIME-25の13%以上のゲインを含む一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-27T17:53:01Z)
• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• 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)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。