論文の概要: Subcellularly Resolved Single-Cell Embedding Learning with Transcriptomic data, Protein Structure and Localization Information
- arxiv url: http://arxiv.org/abs/2609.02344v1
- Date: Wed, 02 Sep 2026 09:20:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.213771
- Title: Subcellularly Resolved Single-Cell Embedding Learning with Transcriptomic data, Protein Structure and Localization Information
- Title（参考訳）: 転写情報・タンパク質構造・局在情報を用いた細胞内単細胞埋め込み学習
- Abstract要約: 細胞内で解決された細胞埋め込みを学習するためのフレームワークを提案する。
我々は、トランスクリプトーム、シーケンス、構造的モダリティを統合するために、クロスアテンションアーキテクチャを採用している。
結果として生じる埋め込みは、その微細な細胞内組織を通して各細胞を表現している。
- 参考スコア（独自算出の注目度）: 12.122016806635996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing cell embedding methods predominantly rely on transcriptomic or proteomic measurements and represent each cell as a holistic entity, thereby overlooking the subcellular localization of individual molecules. Moreover, they rarely incorporate protein structural information, despite its fundamental role in determining molecular interactions and functions. In this work, we propose a multimodal framework for learning subcellularly resolved cell embeddings by jointly leveraging RNA expression profiles, protein sequence representations, and protein structural information. Specifically, we employ a cross-attention architecture to integrate transcriptomic, sequence, and structural modalities and model their interactions within distinct subcellular compartments. The resulting embeddings represent each cell through its fine-grained subcellular organization, capturing both molecular expression patterns and the functional properties of the associated proteins. By learning cell representations at subcellular resolution, our framework preserves spatially organized biological information while integrating complementary signals across multiple molecular levels. To the best of our knowledge, this is the first framework that produces subcellularly resolved cell embeddings by jointly incorporating transcriptomic information, protein sequence representations, and protein structural knowledge within a unified cross-modal learning paradigm.
- Abstract（参考訳）: 既存の細胞埋め込み法は、主に転写学的またはプロテオミクス的な測定に依存し、各細胞を総体として表現し、それによって個々の分子の細胞内局在を見渡す。
さらに、分子間相互作用や機能を決定する基本的な役割があるにもかかわらず、タンパク質構造情報を組み込むことは滅多にない。
本研究では,RNA発現プロファイル,タンパク質配列表現,タンパク質構造情報を協調的に活用することにより,細胞内で解決された細胞埋め込みを学習するための多モーダルフレームワークを提案する。
具体的には, 転写, 配列, 構造的モダリティを統合し, 異なる細胞内区画内での相互作用をモデル化するために, クロスアテンションアーキテクチャを用いる。
結果として生じる埋め込みは、その微細な細胞内組織を通して各細胞を表現し、関連するタンパク質の分子的発現パターンと機能的特性の両方を捕捉する。
細胞内分解能で細胞表現を学習することにより,複数の分子レベルで相補的な信号を統合しながら,空間的に組織された生体情報を保存する。
我々の知識を最大限に活用するために、このフレームワークは、転写情報、タンパク質配列表現、タンパク質構造知識を統合されたクロスモーダル学習パラダイムに組み込むことにより、細胞内で解決された細胞埋め込みを生産する最初のフレームワークである。
関連論文リスト
- CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization [50.559485139565076]
我々は, 多様な3次元構造表現と微細な細胞内局在アノテーションを統合するデータセットである $mathbfCAPSUL$ という新しいベンチマークを導入する。
このベンチマークは、様々な最先端のシーケンスベースモデルと構造ベースモデルを用いて評価し、この課題に構造的特徴を関与させることの重要性を示す。
最後に,Golgi 装置のケーススタディを通じて,構造に基づく手法の強力な解釈可能性を示す。
論文 参考訳（メタデータ） (2026-03-19T07:33:04Z) - GLProtein: Global-and-Local Structure Aware Protein Representation Learning [24.573029012303]
タンパク質の構造情報は3D情報に限らず、アミノ酸分子(局所情報)からタンパク質-タンパク質構造類似性(グローバル情報)までも含んでいると論じる。
我々は,タンパク質事前学習における最初のフレームワークである textbfGLProtein を提案する。
論文 参考訳（メタデータ） (2025-05-17T14:45:13Z) - 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) - Long-context Protein Language Modeling Using Bidirectional Mamba with Shared Projection Layers [76.95505296417866]
言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。
ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。
そこで本研究では,選択的構造化状態空間モデルに基づく代替タンパク質であるBiMamba-Sに基づくLC-PLMを提案する。
論文 参考訳（メタデータ） (2024-10-29T16:43:28Z) - Multimodal Analysis of White Blood Cell Differentiation in Acute Myeloid Leukemia Patients using a β-Variational Autoencoder [38.13262557169157]
形態学的および転写学的データを探索・再構成する教師なし手法を提案する。
本手法は,カスタマイズされた損失関数を持つβ変分オートエンコーダ(ss-VAE)に基づく。
バイオメディシンと診断のための白血球成熟の理解を改善するためのユニークなツールを提供する。
論文 参考訳（メタデータ） (2024-08-13T08:24:52Z) - Multicell-Fold: geometric learning in folding multicellular life [0.34952465649465553]
細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。
マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。
我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
論文 参考訳（メタデータ） (2024-07-09T17:21:49Z) - Zyxin is all you need: machine learning adherent cell mechanics [0.0]
データ駆動型生体物理モデリング手法を開発し、接着細胞の力学的挙動を学習する。
まず、細胞骨格タンパク質の画像から付着細胞が生成する力を予測するためにニューラルネットワークを訓練する。
次に、我々は、細胞力のデータ駆動モデルを構築するのに役立つ2つのアプローチ(一つは物理学によって明示的に制約された、もう一つは連続体)を開発します。
論文 参考訳（メタデータ） (2023-03-01T02:08:40Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳（メタデータ） (2022-09-30T01:46:38Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳（メタデータ） (2022-05-20T19:38:00Z) - 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) - BERTology Meets Biology: Interpreting Attention in Protein Language
Models [124.8966298974842]
注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。
注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。
また、注意とタンパク質構造との相互作用を三次元的に可視化する。
論文 参考訳（メタデータ） (2020-06-26T21:50:17Z)
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。