論文の概要: MetaboLLM: a metabolomics-specialized large language model for biochemical knowledge integration and predictive metabolite graph construction

• arxiv url: http://arxiv.org/abs/2608.06253v1
• Date: Thu, 06 Aug 2026 16:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.965818
• Title: MetaboLLM: a metabolomics-specialized large language model for biochemical knowledge integration and predictive metabolite graph construction
• Title（参考訳）: MetaboLLM:生物化学知識統合と予測メタボライトグラフ構築のためのメタボミクス特化大言語モデル
• Abstract要約: メタボロミクスに特化した大規模言語モデルを構築し, 連続事前学習, 教師付き微調整, 構造化検索を行った。 ドメイン特化言語モデルは、異種生物化学知識を予測および解釈可能なメタボライトグラフ表現にまとめることができることを示す。
• 参考スコア（独自算出の注目度）: 3.8301588067540915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metabolomics knowledge is distributed across heterogeneous resources and remains difficult to translate into predictive representations. We developed MetaboLLM, a metabolomics-specialized large language model adapted through continual pretraining, supervised fine-tuning, and structured retrieval, together with MetaboLLM-GIN, which converts generated biochemical descriptions into metabolite graphs for patient-level prediction using a graph isomorphism network. Across four backbone families, MetaboLLM outperformed corresponding base and medically adapted models on metabolomics knowledge, relational, and description tasks, and transferred to an external public benchmark. MetaboLLM-GIN achieved the highest AUC for stress hyperglycemia prediction after coronary artery bypass grafting (0.8616) and postmenopausal hormone-regimen classification (0.8123), outperforming conventional models, alternative graph constructions, and graphs generated from unadapted or non-retrieval LLM configurations. Model interpretation further produced biologically meaningful findings in both applications. These results show that domain-specialized language models can organize heterogeneous biochemical knowledge into predictive and interpretable metabolite graph representations.
• Abstract（参考訳）: メタボロミクスの知識は異種資源に分散しており、予測表現への変換は困難である。 そこで我々はMetaboLLMとMetaboLLM-GINを併用して,メタボロミクスに特化した大規模言語モデルを構築した。 4つのバックボーンファミリーでMetaboLLMは、メタボロミクスの知識、リレーショナル、記述タスクに関する、対応するベースおよび医学的に適応されたモデルより優れ、外部の公開ベンチマークに転送された。 MetaboLLM-GIN は冠状動脈バイパス術 (0.8616) および閉経後ホルモン・レジメン分類 (0.8123) 後のストレス高血糖予測において最も高い AUC を達成した。 モデル解釈は、双方の応用において生物学的に有意義な発見を生み出した。 これらの結果は、ドメイン特化言語モデルが異質な生化学知識を予測および解釈可能な代謝産物グラフ表現にまとめることができることを示している。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• MetagenBERT: a Transformer-based Architecture using Foundational genomic Large Language Models for novel Metagenome Representation [4.470992949474734]
  分類学的および機能的アノテーションなしで生のDNA配列から直接エンド・ツー・エンドのメタゲノムを組み込むフレームワークであるMetagenBERTを提案する。 5つのベンチマーク腸内微生物叢(肝硬変, T2D, 肥満, IBD, CRC)に対する本手法の評価を行った。 また,MetagenBERT Glob Mcardisは多種多様なMetaCardisコホートを訓練し,他のデータセットに転送し,未知の表現型を含む予測信号を保持するクロスコホートである。
  論文  参考訳（メタデータ） (2026-01-05T19:36:36Z)
• Interpretable Perturbation Modeling Through Biomedical Knowledge Graphs [2.9275990558029075]
  マルチモーダル・埋め込みは バイオメディカル・ナレッジ・グラフに統合されます 薬物細胞対のランドマーク遺伝子のデルタ表現プロファイルを学習するために,グラフアテンションネットワークを訓練する。 我々の枠組みは、メカニスティックな薬物モデリングへの道筋を提供する。
  論文  参考訳（メタデータ） (2025-12-24T04:42:25Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction [19.803593399456823]
  Metapath-based heterogeneous graph Transformer (COMET) を用いた遺伝子解析 本手法は, 最先端手法と比較して, 優れたロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-14T09:41:18Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)

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。