論文の概要: A Trust-Network-Based Federated Learning Framework for Multi-Center Aging Clock Prediction

• arxiv url: http://arxiv.org/abs/2609.10108v1
• Date: Wed, 09 Sep 2026 12:42:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.02779
• Title: A Trust-Network-Based Federated Learning Framework for Multi-Center Aging Clock Prediction
• Title（参考訳）: 信頼ネットワークに基づくマルチセンター時効クロック予測のためのフェデレーション学習フレームワーク
• Abstract要約: 老化時計は生物学的老化を定量化し、個人の健康状態を特徴づけるのに役立つ。 これらの疑問に対処するには、医療センターに分散した大規模な分子データセットから学ぶ必要がある。 信頼性ネットワークに基づくフェデレート学習フレームワークであるTNFLを提案する。
• 参考スコア（独自算出の注目度）: 20.549166742103782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aging clocks quantify biological aging and help characterize individual health status. What protein interactions are important for accurate aging clocks, and are they zeroth-order or higher-order? Addressing these questions requires learning from large molecular datasets distributed across medical centers, where privacy constraints prevent centralized data sharing. Federated learning offers a natural solution but faces four challenges in this setting: limited local sample sizes, sparse and directional inter-center trust, the need to retain discriminative age prediction while supporting interpretation, and model drift and forgetting under heterogeneous cross-center data. We propose TNFL, a trust-network-based federated learning framework that progressively propagates models along directed pairwise trust relations without centralized aggregation. TNFL combines an age-aware mixture-of-experts model with generative replay to preserve previously learned information and reduce forgetting and drift. Experiments across multiple molecular datasets show that TNFL enables effective aging-clock prediction with limited local data, provides interpretable age-dependent prediction patterns, and maintains stable performance across interaction orders. To investigate the biological questions, we analyze TNFL-identified pairwise protein interactions and their higher-order organization through functional and network analyses. The identified interactions repeatedly form coordinated higher-order subnetworks spanning multiple aging-related biological systems, with several proteins recurring across subnetworks. These findings suggest that TNFL captures molecular relationships beyond isolated pairwise associations and reveals coherent higher-order biological organization associated with aging.
• Abstract（参考訳）: 老化時計は生物学的老化を定量化し、個人の健康状態を特徴づけるのに役立つ。 正確な老化時計にとって重要なタンパク質相互作用は何か。 これらの疑問に対処するには、医療センターに分散する大規模な分子データセットから学ぶ必要がある。 フェデレーション学習は自然な解決策を提供するが、この設定では4つの課題に直面している: 局所的なサンプルサイズ、スパースと指向的な中心間信頼、解釈をサポートしながら差別年齢の予測を維持する必要性、異質なクロスセンターデータの下でのモデルドリフトと忘れ。 本稿では,信頼ネットワークに基づくフェデレート学習フレームワークであるTNFLを提案する。 TNFLは、学習前の情報を保存し、忘れたりドリフトを減らしたりするために、熟練者の年齢を意識した混合モデルと生成的再生を組み合わせている。 複数の分子データセットにわたる実験により、TNFLは局所的な限られたデータで効果的な老化予測を可能にし、解釈可能な年齢依存予測パターンを提供し、相互作用順序間の安定したパフォーマンスを維持することが示されている。 生物学的問題を調べるため,TNFLが同定したペアワイドタンパク質相互作用とその高次構造を機能的およびネットワーク的分析により解析した。 同定された相互作用は、複数の老化関連生物学的システムにまたがる調整された高次サブネットワークを何度も形成し、サブネットワーク全体で複数のタンパク質が繰り返された。 これらの結果から, TNFLは孤立した一対の関連性を超えて分子関係を捉え, 老化に伴う高次生物学的構造を明らかにすることが示唆された。

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)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Learning Multi-Relational Graph Representations for DNA Methylation-Based Biological Age Estimation [12.183938017819129]
  老化時計は、年代と異なる生理状態の指標である生物学的年齢を推定することを目的としている。 DNAメチル化は、その安定性と老化との強い関係から特に有意義なバイオマーカーである。 DNAメチル化に基づく年齢予測のためのマルチリレーショナルグラフニューラルネットワークフレームワークであるRelAge-GNNを提案する。
  論文  参考訳（メタデータ） (2026-05-08T03:11:16Z)
• BaGGLS: A Bayesian Shrinkage Framework for Interpretable Modeling of Interactions in High-Dimensional Biological Data [2.849014311160882]
  BaGGLSは、機能相互作用を含む高次元の生物学的推論のための、柔軟で解釈可能な2次回帰モデルである。 BaGGLSは生物学的に関係のある相互作用パターンを明らかにするための有望な手法であり、計算生物学における様々な高次元タスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-11-19T10:48:30Z)
• iTARGET: Interpretable Tailored Age Regression for Grouped Epigenetic Traits [0.0]
  そこで本研究では,DNAメチル化パターンから時系列年代を正確に予測する2相アルゴリズムを提案する。 提案手法は予測精度を向上するだけでなく,鍵となる年齢関連CpGサイトを明らかにし,老化率の変化を検出し,CpGサイト間の相互の相互作用を識別する。 実験の結果,本手法は従来のエピジェネティッククロックや機械学習モデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-04T23:06:46Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• MoReL: Multi-omics Relational Learning [26.484803417186384]
  ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
  論文  参考訳（メタデータ） (2022-03-15T02:50:07Z)
• Temporal Positive-unlabeled Learning for Biomedical Hypothesis Generation via Risk Estimation [46.852387038668695]
  本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。 本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。 実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
  論文  参考訳（メタデータ） (2020-10-05T10:58:03Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。