論文の概要: bioMoR: Biology-Guided Mixture-of-Recursions for Effective Genomic Learning

• arxiv url: http://arxiv.org/abs/2608.06727v2
• Date: Mon, 10 Aug 2026 07:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 13:55:18.784352
• Title: bioMoR: Biology-Guided Mixture-of-Recursions for Effective Genomic Learning
• Title（参考訳）: BioMoR: 効果的なゲノミクス学習のための生物誘導ミキサー・オブ・レキュレーション
• Abstract要約: Mixture-of-Recursions (MoR) は適応トークン選択やエキスパート選択ルーティングによって効率を向上する。 遺伝子レベルおよび経路レベル学習にMoRを適用した最初のフレームワークであるbioMoRを提案する。
• 参考スコア（独自算出の注目度）: 11.154086943903694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transformer models for high-dimensional omics analysis process thousands of genes or pathways, although only a subset requires deep computation. Mixture-of-Recursions (MoR) improves efficiency through adaptive token-choice or expert-choice routing. We propose bioMoR, which, to the best of our knowledge, is the first framework to apply MoR to gene-level and pathway-level learning. Our contributions include identifying three locations for integrating structured biological knowledge within an MoR backbone: graph-based information sharing refines token embeddings, a structural bias guides self-attention toward biologically related tokens, and a graph-aware router uses neighborhood information to determine each token's recursion depth. These techniques are centered on our insight that additional knowledge of token interaction can effectively help models construct embeddings and select which tokens should be learned more deeply. Across eight benchmarks spanning diverse omics data types and evaluated under a unified five-fold cross-validation protocol, bioMoR improves average macro-F1 by 8.2 percentage points and balanced accuracy by 7.1 percentage points over the strongest biology-agnostic MoR baseline while using 75 percent fewer parameters and up to 58 percent fewer FLOPs than a non-recursive Transformer. The selected marker genes or pathways provide biological interpretability, while their token-specific recursion depths reveal how computation is allocated.
• Abstract（参考訳）: 高次元オミクス解析のためのトランスフォーマーモデルは数千の遺伝子や経路を処理します。 Mixture-of-Recursions (MoR) は適応トークン選択やエキスパート選択ルーティングによって効率を向上する。 我々は、私たちの知る限り、遺伝子レベルおよび経路レベル学習にMoRを適用する最初のフレームワークであるbioMoRを提案する。 グラフベースの情報共有はトークンの埋め込みを洗練させ、構造的バイアスは、生物学的に関連付けられたトークンへの自己認識を誘導し、グラフ対応ルータは、各トークンの再帰深さを決定するために、近傍情報を使用する。 これらのテクニックは、トークンインタラクションに関する追加の知識が、埋め込みモデルの構築を効果的に支援し、どのトークンをより深く学習すべきかを選択する上で有効である、という私たちの洞察に重点を置いています。 多様なオミクスデータタイプにまたがる8つのベンチマークで、統合された5倍のクロスバリデーションプロトコルで評価され、bioMoRは平均マクロF1を8.2ポイント改善し、バランスの取れた精度を7.1ポイント改善する。 選択されたマーカー遺伝子または経路は生物学的解釈可能性を提供し、トークン固有の再帰深さは、どのように計算が割り当てられるかを明らかにする。

関連論文リスト

• BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
  BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。 学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。 CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
  論文  参考訳（メタデータ） (2026-08-06T11:58:29Z)
• BioMiner: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature [53.894504720119805]
  生物活性データ抽出のためのマルチモーダル抽出フレームワークであるBioMinerを紹介する。 BioMinerでは、生物活性セマンティクスは直接推論によって推測され、化学構造は化学構造に基づく視覚的セマンティクス推論パラダイムによって解決される。 厳密な評価と方法開発のために,500の出版物から得られた16,457の生物活性成分からなるベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-04-23T10:11:56Z)
• An Empirical Analysis of Fine-Tuning Large Language Models on Bioinformatics Literature: PRSGPT and BioStarsGPT [0.0]
  本稿では,生物情報学の専門データに基づいて,大規模言語モデル(LLM)を微調整するための再現可能なパイプラインを提案する。 3つのLSMを微調整し、14以上の語彙と意味のメトリクスでそれらをベンチマークした。 Qwen2.5-7Bは、BLEU-4とROUGE-1がそれぞれPSSGPTとBioStarsGPTで82%、70%改善した。
  論文  参考訳（メタデータ） (2025-12-29T19:09:12Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy [0.0]
  本稿では,ブルームの分類に基づく試験質問と学習結果の自動分類について検討する。 6つの認知カテゴリをラベル付けした600文の小さなデータセットを、従来の機械学習(ML)モデルを用いて処理した。
  論文  参考訳（メタデータ） (2025-11-14T02:31:12Z)
• Enhancing Biomedical Named Entity Recognition using GLiNER-BioMed with Targeted Dictionary-Based Post-processing for BioASQ 2025 task 6 [0.0]
  本研究では,BioASQデータセット上でGLiNER-BioMedモデルを評価する。 一般的な誤分類に対処するために,辞書ベースのポストプロセッシング戦略を導入する。 この研究は、事前訓練されたBioNERモデルの辞書ベースの改良の可能性を強調するが、開発データに過度に適合するという重要な課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-03T18:35:04Z)
• BioScore: A Foundational Scoring Function For Diverse Biomolecular Complexes [11.395906604051156]
  現在の構造に基づくスコアリング関数は、様々な生体分子系における一般化性に欠けることが多い。 このBioScoreは、データの分散性、システム間の表現、タスクの互換性といった重要な課題に対処する基礎的なスコアリング機能です。 BioScoreはアフィニティ予測、コンフォーメーションランキング、構造ベースの仮想スクリーニングなど、幅広いタスクをサポートしている。
  論文  参考訳（メタデータ） (2025-07-15T00:41:58Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Augmenting Biomedical Named Entity Recognition with General-domain Resources [47.24727904076347]
  ニューラルネットワークに基づくバイオメディカル名前付きエンティティ認識(BioNER)モデルのトレーニングは通常、広範囲でコストのかかる人的アノテーションを必要とする。 GERBERAは、一般ドメインのNERデータセットをトレーニングに利用した、単純なyet効率の手法である。 我々は,81,410インスタンスからなる8つのエンティティタイプの5つのデータセットに対して,GERBERAを体系的に評価した。
  論文  参考訳（メタデータ） (2024-06-15T15:28:02Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• 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)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。