論文の概要: Agentic AI uncovers conserved cross-tissue protein co-abundance programs inaccessible to single-dataset analysis

• arxiv url: http://arxiv.org/abs/2608.28990v1
• Date: Sat, 29 Aug 2026 01:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.803978
• Title: Agentic AI uncovers conserved cross-tissue protein co-abundance programs inaccessible to single-dataset analysis
• Title（参考訳）: Agentic AIは、シングルデータセット分析にアクセシブルでない保存された横断的なタンパク質共分散プログラムを発見
• Abstract要約: 大腸, 滑膜液, 血液, 髄液, 骨髄が最も広く結合した組織であった。 大腸-胸腺には、細胞外マトリクスリモデリング、脂質代謝、免疫調節を含むがん関連クラスターが含まれていた。 結果は、保存されたタンパク質の共分散のグローバルで匹敵する景観を提供する。
• 参考スコア（独自算出の注目度）: 23.12299215736895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein co-abundance clusters preserved across tissues can reveal shared disease mechanisms and candidate therapeutic targets, particularly when proteins implicated in organ-confined diseases converge in peripheral or accessible tissues. However, previous cross-tissue studies have focused on biologically pre-selected tissue pairs, leaving most possible combinations and non-obvious relationships unexplored. We present an LLM-agent framework for large-scale, evidence-grounded comparison of tissue-specific protein co-abundance networks. The framework constructs tissue networks, derives pairwise consensus clusters, and integrates evidence from expression atlases, protein interaction and complex databases, pathway annotations, disease catalogues, and literature. Applied to all 820 pairwise combinations of 41 human tissues and fluids, it identified 1,833 conserved co-abundance clusters across 406 tissue pairs. Colon, synovial fluid, blood, cerebrospinal fluid, and bone marrow were the most broadly connected tissues, while the most cluster-rich pairs were dominated by bone marrow. The analysis also highlighted non-obvious relationships: skin-bone marrow exceeded the anatomically adjacent bone-bone marrow pair, while colon-breast contained cancer-relevant clusters involving extracellular-matrix remodeling, lipid metabolism, and immune modulation. Cluster-level analyses generated further mechanistic hypotheses, including a brain-gut extracellular-vesicle/redox/serotonin-cofactor axis and a liver-bone marrow stress-response axis involving genes linked to white matter disease. These results provide a global, comparable landscape of conserved protein co-abundance and a hypothesis-generating resource for mechanistic and therapeutic exploration. Code and data are available at https://github.com/Gry1005/AgenticAI-conserved-cross-tissue-protein-co-abundance.
• Abstract（参考訳）: 組織全体で保存されるタンパク質共分散クラスターは、共有疾患のメカニズムや治療の候補となる標的を明らかにすることができる。 しかし、以前の横断研究は生物学的に選択された組織対に焦点を合わせており、最も可能性の高い組み合わせと非有害な関係は未発見のままである。 LLM-agent framework for large-scale, evidence-grounded comparison of tissue-specific protein co-abundance network。 このフレームワークは組織ネットワークを構築し、ペアワイズコンセンサスクラスタを導出し、発現アトラス、タンパク質相互作用、複雑なデータベース、経路アノテーション、疾患カタログ、文学から証拠を統合する。 全820個のヒト組織と液体の組み合わせに適用し、406個の組織対に1,833個の保存された共分散クラスターを同定した。 大腸, 滑膜液, 血液, 髄液, 骨髄が最も広く結合した組織であった。 皮膚骨髄は解剖学的に隣接した骨髄-骨髄ペアを超え、結腸-乳癌は細胞外マトリックスリモデリング、脂質代謝、免疫調節を含むがん関連クラスターを含んでいた。 クラスターレベルの分析は、脳ゲージ細胞外ベシクル/レドックス/セロトニン-コファクター軸、およびホワイトマター病に関連する遺伝子を含む肝臓-骨髄間ストレス-応答軸を含む、さらなる機械的仮説を生み出した。 これらの結果は、保存されたタンパク質の共存のグローバルに匹敵する景観と、機械的および治療的な探索のための仮説生成資源を提供する。 コードとデータはhttps://github.com/Gry1005/AgenticAI-conserved-cross-tissue-oprotein-co-abundance.comで公開されている。

関連論文リスト

• MKGR: Multimodal Knowledge-Graph Representation Learning for Cold-Start Protein-Protein Interaction Prediction [1.6711037450548076]
  本稿では,冷間開始型PPI予測のためのマルチモーダル表現フレームワークを提案する。 領域認識タンパク質配列を4つのタンパク質中心の生物医学知識グラフと組み合わせる方法。 2つのベンチマークデータセットの実験では、メソッドが競合シーケンス、ネットワーク、知識グラフのベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-07-02T02:50:42Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• MicroFuse: Protein-to-Genome Expert Fusion for Microbial Operon Reasoning [0.0]
  MicroFuseはタンパク質からゲノムへの専門家融合フレームワークである。 これは、ProstT5の構造を意識したタンパク質表現と、Bacformerのゲノムコンテクスト表現を統合している。 OG-Operon100Kでは、MicroFuseはProstT5のみ、Bacformerのみ、Concatベースラインの中で、AUROC、AUPRC、mAP、mARで最強である。
  論文  参考訳（メタデータ） (2026-05-09T09:07:11Z)
• Machine Learning for analysis of Multiple Sclerosis cross-tissue bulk and single-cell transcriptomics data [30.40681235085877]
  末梢血単核球および脳脊髄液からの転写データを解析するエンド・ツー・エンド機械学習パイプラインを開発した。 免疫活性,非カノニカル免疫チェックポイント,リボソームおよび翻訳プログラム,ユビキチンプロテアソーム調節,脂質輸送,Epstein-Barrウイルス関連経路を同定した。
  論文  参考訳（メタデータ） (2026-03-05T16:09:12Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• Weakly Supervised Segmentation and Classification of Alpha-Synuclein Aggregates in Brightfield Midbrain Images [1.6637373649145604]
  パーキンソン病(英: Parkinson's disease、PD)は、α-シヌクレイン凝集物の蓄積に伴う神経変性疾患である。 本研究では,これらの集合を全スライディング画像に分割・分類する自動画像処理パイプラインを開発した。 我々の手法は、レヴィ体や神経突起を含む主要な集合形態を80%の精度で区別することができる。
  論文  参考訳（メタデータ） (2025-11-20T11:51:05Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Clustering for Protein Representation Learning [72.72957540484664]
  本稿では,タンパク質の臨界成分を自動的に検出するニューラルネットワーククラスタリングフレームワークを提案する。 我々のフレームワークはタンパク質をグラフとして扱い、各ノードはアミノ酸を表し、各エッジはアミノ酸間の空間的またはシーケンシャルな接続を表す。 タンパク質の折り畳み分類, 酵素反応分類, 遺伝子期予測, 酵素コミッショニング数予測の4つの課題について検討した。
  論文  参考訳（メタデータ） (2024-03-30T05:51:09Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Integration of Pre-trained Protein Language Models into Geometric Deep Learning Networks [68.90692290665648]
  我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。 以上の結果から,ベースラインを20%上回る総合的な改善が見られた。 強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
  論文  参考訳（メタデータ） (2022-12-07T04:04:04Z)
• Deep Contextual Learners for Protein Networks [16.599890339599586]
  本稿では,タンパク質の埋め込みに細胞および組織コンテキストを注入するグラフニューラルメッセージパッシングアプローチであるAWAREを紹介する。 AWAREは、タンパク質、細胞型、組織埋め込みを学習し、細胞型と組織階層を保持する。 AWAREは、遺伝子が疾患に関連付けられているか、そして人体に最も出現する可能性が最も高いかを予測するための新しい課題について実証する。
  論文  参考訳（メタデータ） (2021-06-04T04:26:27Z)

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。