論文の概要: DoGMA: A Central-Dogma-Guided Foundation Model for Multi-Omics Alignment and Multi-Task Learning in Oncology

• arxiv url: http://arxiv.org/abs/2608.08148v1
• Date: Sat, 08 Aug 2026 14:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.697227
• Title: DoGMA: A Central-Dogma-Guided Foundation Model for Multi-Omics Alignment and Multi-Task Learning in Oncology
• Title（参考訳）: DoGMA: オンコロジーにおけるマルチオミクスアライメントとマルチタスク学習のための中央ドーマガイド基礎モデル
• Abstract要約: パン・カンサー・マルチオミクス解析のための中央ドッグマ誘導基礎モデルであるDoGMAについて述べる。 さまざまなダウンストリームタスクにまたがって、DoGMAは一貫して強い予測性能を示している。 全体としてDoGMAは、ドメイン固有の帰納バイアスがマルチオミクス基礎モデルの堅牢性と伝達性を改善することを実証している。
• 参考スコア（独自算出の注目度）: 7.312358434314331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attention mechanisms have been widely utilized in modern deep learning, and many existing multi-omics models inherit their conventional use to allow unrestricted bidirectional interactions. However, the fundamental logic of life is directional. Existing designs often overlook the directionality suggested by the central dogma, potentially limiting transfer across heterogeneous cancers, downstream tasks, and incomplete modality settings.In this work, we present DoGMA, a central-dogma-guided foundation model for pan-cancer multi-omics analysis, arguing that robust transfer requires representations with domain-specific inductive bias. Concretely, we build it on a Transformer-MoE architecture where directed attention biases inter-omics communication toward central-dogma information flow. We further pretrain our model with masked hierarchical omics reconstruction to guide it toward learning central-dogma-consistent interactions. Across diverse downstream tasks, including cancer representation learning, survival prediction, and metastasis prediction, DoGMA consistently demonstrates strong predictive performance. Ablations and analyses further suggest that the performance gains arise from the synergy between central-dogma-guided directed attention and reconstruction-based pretraining, which together promote more biologically consistent cross-omics information exchange. Overall, DoGMA demonstrates that domain-specific inductive biases can improve the robustness and transferability of multi-omics foundation models, offering new insights into the design of attention mechanisms for multi-omics representation learning.
• Abstract（参考訳）: 注意機構は現代のディープラーニングにおいて広く利用されており、既存のマルチオミクスモデルの多くは、制限のない双方向相互作用を可能にするために、従来の使用法を継承している。 しかし、生命の基本的な論理は方向性である。 既存の設計では, 異種癌, 下流タスク, 不完全なモダリティ設定の移動を制限する可能性があり, 本研究では, パン・ドグマ誘導ファンデーションモデルであるDoGMAを提示し, 頑健な移動にはドメイン固有の帰納バイアスを伴う表現が必要であると主張した。 具体的には,トランスフォーマー-MoEアーキテクチャ上に構築し,オミクス間通信を中央ドッグマ情報流に向ける。 我々はさらに,マスク付き階層型オミクス再構成を用いてモデルを事前訓練し,中央-ドッグマ-一貫性相互作用の学習に向けて指導する。 がんの表現学習、生存予測、転移予測を含む下流の様々なタスクにおいて、DoGMAは一貫して強い予測性能を示す。 アブレーションと分析により、中央ドッグマ誘導誘導注意と再建に基づく事前訓練の相乗効果により、より生物学的に整合したクロスオミクス情報交換が促進されることが示唆された。 全体としてDoGMAは、ドメイン固有の帰納バイアスは、マルチオミクス基礎モデルの堅牢性と伝達性を改善し、マルチオミクス表現学習のための注意機構の設計に関する新たな洞察を提供する。

関連論文リスト

• Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
  本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。 不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。 AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-07-15T14:30:20Z)
• Foundation Model for Cardiac Time Series via Masked Latent Attention [19.265319330946465]
  心電図(ECG)は最も広く用いられる臨床信号であり、心臓血管診断において中心的な役割を果たす。 我々は,自己教師付き事前学習中に,この構造を直接活用する潜時注意マスク付きオートエンコーダ (LAMAE) FMを導入する。 提案手法は, 鉛間の高次相互作用を潜在的注意を通してモデル化し, 置換不変凝集と鉛固有表現の適応重み付けを可能にする。
  論文  参考訳（メタデータ） (2026-03-27T14:41:44Z)
• From Pixels to Digital Agents: An Empirical Study on the Taxonomy and Technological Trends of Reinforcement Learning Environments [40.37268689666231]
  強化学習(RL)は、人工エージェントの訓練や評価に用いられる環境と本質的に結びついている。 この研究は、従来の定性的なレビューを超えて、進化に関する大規模な実証的研究を提示する。
  論文  参考訳（メタデータ） (2026-03-25T05:56:54Z)
• Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
  MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。 17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-20T11:55:00Z)
• Reasoning-Driven Multimodal LLM for Domain Generalization [72.00754603114187]
  DomainBed-Reasoning データセットを用いた領域一般化における推論の役割について検討する。 MTCT(Multi-Task Cross-Training)とSARR(Self-Aligned Reasoning Regularization)の2つのコンポーネントからなるフレームワークであるRD-MLDGを提案する。 標準のDomainBedデータセットの実験は、RD-MLDGが補完的な最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-27T08:10:06Z)
• Distilling and Adapting: A Topology-Aware Framework for Zero-Shot Interaction Prediction in Multiplex Biological Networks [5.310586777906123]
  Multiplex Biological Networks (MBN) は、エンティティ間の複数の相互作用のタイプを表す。 文脈認識型表現学習と知識蒸留を利用したMBNにおけるゼロショット相互作用予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-20T18:25:58Z)
• Region-aware Spatiotemporal Modeling with Collaborative Domain Generalization for Cross-Subject EEG Emotion Recognition [15.65302580686776]
  物体間変動が強いため、物体間脳波に基づく感情認識は困難である。 本研究では、感情認識のための協調的ドメイン一般化を用いた地域対応時空間モデリングフレームワークを提案する。 RSM-CoDGは機能的脳領域分割から派生した先行を組み込んで領域レベルの空間表現を構築する。 また、感情誘発神経活動の動的進化を特徴付けるために、マルチスケールの時間モデルも採用している。
  論文  参考訳（メタデータ） (2026-01-22T03:35:40Z)
• Vision-Language Semantic Aggregation Leveraging Foundation Model for Generalizable Medical Image Segmentation [5.597576681565333]
  本稿では,期待最大化(EM)アグリゲーション機構とテキストガイド付きPixelデコーダを提案する。 後者は、ドメイン不変のテキスト知識を利用して、深い視覚的表現を効果的に導くことによって、意味的ギャップを埋めるように設計されている。 提案手法は,複数の領域一般化ベンチマークにおいて,既存のSOTA手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-10T13:16:30Z)
• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• Mitigating Attention Hacking in Preference-Based Reward Modeling via Interaction Distillation [62.14692332209628]
  インタラクション蒸留(Interaction Distillation)は、注意レベル最適化によるより適切な嗜好モデリングのための新しいトレーニングフレームワークである。 最先端のRM最適化法と比較して、より安定で一般化可能な報酬信号を提供する。
  論文  参考訳（メタデータ） (2025-08-04T17:06:23Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)

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。