論文の概要: GyroNovo: Error-Guided Fragment Imputation with Mass-Aware Attention for \textit{De Novo} Peptide Sequencing

• arxiv url: http://arxiv.org/abs/2609.30542v1
• Date: Thu, 24 Sep 2026 20:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.137108
• Title: GyroNovo: Error-Guided Fragment Imputation with Mass-Aware Attention for \textit{De Novo} Peptide Sequencing
• Title（参考訳）: GyroNovo: \textit{De Novo} Peptide Sequencingの大量注意によるエラーガイドフラグメントインプテーション
• Abstract要約: 実験的スペクトルはしばしばスパース、ノイズ、不完全であり、情報的bイオンとyイオンの断片は保存されない。 既存の方法は、自己回帰的復号化の前に、遅延空間の計算によって、この欠落した証拠を回収しようとするものである。 2つの主要なコントリビューションを持つフレームワークであるGyroNovoを紹介します。まず、トレーニング中に観察されたデコーダエラーを使用して、インプットの目的に適応し、頻繁なデコードエラーに関連するフラグメントを優先順位付けします。 第2に、回転埋め込みを用いて、スペクトルピーク間の一対の質量差を符号化することにより、自己注意に質量認識誘導バイアスを導入する。
• 参考スコア（独自算出の注目度）: 45.68045583846327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: De novo peptide sequencing from tandem mass spectra is essential for identifying peptides without relying on reference databases. Despite advances in deep learning, accurate sequencing remains challenging because experimental spectra are often sparse, noisy, and incomplete, leaving informative b- and y-ion fragments unobserved. Existing methods attempt to recover this missing evidence via latent-space imputation before autoregressive decoding. However, they typically treat imputation as a fixed reconstruction task, without considering which missing fragments are most relevant to decoder errors. Moreover, existing peak representations do not explicitly model mass differences between peaks, despite their fundamental importance. We introduce GyroNovo, a framework with two main contributions. First, we use decoder errors observed during training to adapt the imputation objective, prioritizing fragments associated with frequent decoding errors. We further use the decoder error distribution to construct easy and hard augmented views of each spectrum, enabling the decoder to learn under varying degrees of spectral corruption and missing-fragment severity. Second, we introduce a mass-aware inductive bias into self-attention by using rotary embeddings to encode pairwise mass differences between spectral peaks. Together, these components align missing-fragment recovery with decoder behavior while explicitly incorporating the mass relationships that underlie peptide fragmentation. At inference time, GyroNovo retains a standard encoder-imputer-decoder architecture and requires neither additional inputs nor auxiliary search procedures. Experiments on NovoBench show gains of about 9 percentage points in peptide-level precision and 7 percentage points in amino-acid-level precision over the state-of-the-art baseline. Code: https://github.com/UBC-NLP/gyronovo.
• Abstract（参考訳）: タンデム質量スペクトルからのデノボペプチドの塩基配列は、参照データベースに依存しないペプチドの同定に不可欠である。 深層学習の進歩にもかかわらず、実験スペクトルが希薄でノイズが多く不完全であり、情報的bイオンとyイオンの断片が保存されていないため、正確なシークエンシングは依然として困難である。 既存の方法は、自己回帰的復号化の前に、遅延空間の計算によって、この欠落した証拠を回収しようとするものである。 しかし、それらは典型的には、デコーダエラーに最も関係する断片の欠落を考慮せずに、固定された再構成タスクとして計算を扱います。 さらに、既存のピーク表現は、その基本的な重要性にもかかわらず、ピーク間の質量差を明示的にモデル化していない。 2つの主要なコントリビューションを持つフレームワークであるGyroNovoを紹介します。 まず、トレーニング中に観測されたデコーダエラーを使用して、頻繁にデコーダエラーに関連するフラグメントを優先順位付けする。 さらに、デコーダの誤差分布を用いて、各スペクトルの容易かつハードな拡張ビューを構築することにより、デコーダは、スペクトルの劣化やフラグメントの深刻さの異なる程度で学習することができる。 第2に、回転埋め込みを用いて、スペクトルピーク間の一対の質量差を符号化することにより、自己注意に質量認識誘導バイアスを導入する。 これらの成分は、欠失フラグメントの回復とデコーダの挙動を一致させ、ペプチドの断片化を過小評価する質量関係を明示的に組み込む。 推論時には、GyroNovoは標準的なエンコーダ-インプタ-デコーダアーキテクチャを保持しており、追加の入力も補助的な検索手順も必要としない。 ノボベンチの実験では、ペプチドレベルの精度が9ポイント、アミノ酸レベルの精度が7ポイント向上した。 コード:https://github.com/UBC-NLP/gyronovo

関連論文リスト

• MemNovo: Look Back at the Spectrum for Balanced De Novo Peptide Sequencing from Mass Spectrometry [21.22527431134635]
  我々は,ペプチドとスペクトルのコントリビューションを推論時に再バランスさせる,トレーニングフリーでプラグアンドプレイのメカニズムであるMemNovoを提案する。 メムノボはアミノ酸の精度とペプチドの精度を一貫して改善し、カサノボのペプチドの精度は39.1%、インスタノボのペプチドの精度は3.9%向上した。
  論文  参考訳（メタデータ） (2026-06-10T09:43:30Z)
• Memory-Guided Point Cloud Completion for Dental Reconstruction [2.9422243774213075]
  本稿では,プロトタイプメモリをエンコーダ-デコーダパイプラインに統合した歯の補修のための検索拡張フレームワークを提案する。 メモリはエンドツーエンドに最適化され、再利用可能な歯形プロトタイプに自己組織化される。 我々のアプローチは、より正確で忠実な歯科用点クラウド完成のために、クロスサンプルの正則性を活用できるシンプルで効果的な方法を提供する。
  論文  参考訳（メタデータ） (2025-12-03T09:31:07Z)
• An Encode-then-Decompose Approach to Unsupervised Time Series Anomaly Detection on Contaminated Training Data--Extended Version [31.029023011951793]
  時系列異常検出は、現代の大規模システムにおいて、多様なシステムの動作を分析し、監視するために重要である。 教師なしのアプローチは、トレーニング中に異常なラベルを必要としないため、広く関心を集めている。 そこで我々は,符号化された表現を安定かつ補助的な表現に分解する,新しいエンコード-then-decomposeパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-21T18:23:20Z)
• Diffusion Decoding for Peptide De Novo Sequencing [71.91773485443125]
  本稿では,離散データ領域に適応した拡散デコーダについて検討する。 これらのデコーダは異なるアプローチを提供し、任意のペプチドセグメントからシーケンス生成を開始することができる。 ペプチドの精度とリコールは依然として0であったが, DINOISER損失関数を用いた最も優れた拡散デコーダ設計により, 0.373でアミノ酸リコールの統計的改善が得られた。
  論文  参考訳（メタデータ） (2025-07-15T03:38:01Z)
• Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
  並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。 本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
  論文  参考訳（メタデータ） (2024-01-30T11:40:24Z)
• ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing [70.12220342151113]
  ContraNovoは、コントラスト学習を利用してスペクトルとペプチドの関係を抽出する先駆的アルゴリズムである。 ContraNovoは、現代最先端のソリューションを一貫して誇張している。
  論文  参考訳（メタデータ） (2023-12-18T12:49:46Z)
• Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation [16.136085351887814]
  本稿では,LeFeDと呼ばれる新しい半教師付き学習手法を提案する。 LeFeDは、デコーダから得られる特徴レベルの不一致を、フィードバック信号としてエンコーダに供給することで学習する。 LeFeDは、不確実性推定や強い制約など、競争相手に勝っている。
  論文  参考訳（メタデータ） (2023-09-26T10:33:20Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)

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。