論文の概要: GenoMorph: Pathway-Grounded Genomic Disease Reasoning via Adaptive Latent Computation

• arxiv url: http://arxiv.org/abs/2609.34079v1
• Date: Mon, 28 Sep 2026 01:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 07:09:47.95083
• Title: GenoMorph: Pathway-Grounded Genomic Disease Reasoning via Adaptive Latent Computation
• Title（参考訳）: GenoMorph:適応型潜伏計算による経路周辺ゲノム病推論
• Abstract要約: GenoMorphは、疾患予測を連想遺伝子解析から経路基底推論へシフトさせる GenoMorphは、直接の遺伝子発現マッピングを学ぶのではなく、ゲノム配列表現と潜伏経路のダイナミックスを一致させる。
• 参考スコア（独自算出の注目度）: 20.555822113909333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated strong capabilities in biological reasoning; however, genomic disease inference remains largely dependent on memorized gene-disease associations rather than understanding biological pathways. This shortcut learning undermines robustness and generalization, and breaks down when molecular identifiers are unavailable. We present GenoMorph, a multimodal genomic reasoning framework that shifts disease prediction from associative gene-disease mapping toward pathway-grounded reasoning. GenoMorph couples a frozen DNA foundation model with question-conditioned cross-attention fusion, self-adaptive latent reasoning (LatentSp), a residual reasoning gate for iterative genomic evidence reinjection, and rejection sampling fine-tuning regularized by hierarchical optimal transport (OT). Rather than learning direct gene-disease mappings, GenoMorph aligns genomic sequence representations with latent pathway dynamics, enabling reasoning trajectories that follow molecular interactions before producing disease predictions. LatentSp dynamically allocates computation according to reasoning confidence, reducing unnecessary reasoning steps and improving inference efficiency. We further construct an anonymized benchmark from the Kyoto Encyclopedia of Genes and Genomes (KEGG), replacing every gene and molecular identifier with anonymous symbols while preserving sequences and pathway topology, thereby removing memorization shortcuts. GenoMorph raises the weighted F1 from 0.7863 (BioReason) to 0.9412, and rejection sampling fine-tuning with self-adaptive latent reasoning pushes it to 0.9725 while cutting latency nearly 60%. On the anonymized benchmark it reaches 0.9465 F1, substantially outperforming prior systems and confirming that accurate disease prediction can arise from pathway reasoning rather than memorized gene-disease associations.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、生物学的推論において強力な能力を示しているが、ゲノム疾患の推論は、生物学的経路を理解することよりも、記憶された遺伝子疾患の関連に大きく依存している。 このショートカット学習は、堅牢性と一般化を阻害し、分子識別子が利用できないときに分解する。 GenoMorphは、病気の予測を連想遺伝子解析から経路解析へ移行させる多モーダルなゲノム推論フレームワークである。 GenoMorphは、疑問条件付きクロスアテンション融合、自己適応的潜伏推論(LatentSp)、反復的ゲノムエビデンス再注入のための残留的推論ゲート、階層的最適輸送(OT)によって正規化された微調整サンプリングを含む凍結DNA基盤モデルを結合する。 GenoMorphは、直接の遺伝子発現マッピングを学ぶのではなく、ゲノム配列を潜在経路のダイナミックスと整列させ、病気の予測を生成する前に分子間相互作用に従う推論軌道を可能にする。 LatentSpは推論信頼度に応じて動的に計算を割り当て、不要な推論ステップを減らし、推論効率を向上させる。 さらに、京都遺伝子ゲノム百科事典(KEGG)から匿名化ベンチマークを構築し、全ての遺伝子および分子識別子を匿名シンボルに置き換え、配列と経路トポロジーを保存し、メモリ化ショートカットを除去する。 GenoMorph は重み付き F1 を 0.7863 (BioReason) から 0.9412 に引き上げ、自己適応的な潜伏推論による微調整を拒絶することで 0.9725 にプッシュし、遅延を 60% 近く削減する。 匿名化ベンチマークでは、0.9465 F1に達し、以前のシステムよりも大幅に優れており、正確な疾患予測は、記憶された遺伝子・疾患関連ではなく、経路推論から生じる可能性があることを確認している。

関連論文リスト

• Tool-Augmented On-Policy Distillation for LLM Domain Adaptation in Sequence-Based Omics Tasks [72.97315136048122]
  マルチオミクスシーケンスの最初の推論ベンチマークであるOmicsBenchを紹介する。 予測と科学的推論の両方を評価することが重要です ツール強化型オン・ポリケーション (TA-OPD) を導入し, シークエンス予測とエビデンス基底の生物学的推論を一致させる。
  論文  参考訳（メタデータ） (2026-09-20T08:08:34Z)
• 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)
• Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions [4.432106960947219]
  本稿では,複数種類の説明を捉えるための単一遺伝子アセスメントを超えて,スケーラブルなポストホックな説明可能性フレームワークであるILLUME+を紹介する。 ILLUME+は、既存のベースラインよりも安定な遺伝子重要度スコアを生成し、確立された薬物遺伝子関連と作用機構を回復し、AIによる仮説生成により、がん生物学における新たな相互作用駆動分子シグナルを発見できる。
  論文  参考訳（メタデータ） (2026-07-01T13:34:04Z)
• Graph Transformer-Based Pathway Embedding for Cancer Prognosis [12.185038682072213]
  本稿では,遺伝子組換え戦略であるPATHを紹介する。 PATHは、各遺伝子に対する共有塩基の埋め込みから始めることでパラダイムシフトを表す。 PATHのF1スコアは0.8766で、現在のSOTAマルチオミクスベンチマークよりも8.8%改善している。
  論文  参考訳（メタデータ） (2026-04-17T20:41:58Z)
• 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)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• BioReason: Incentivizing Multimodal Biological Reasoning within a DNA-LLM Model [12.528834366422466]
  BioReasonは論理的、生物学的に一貫性のある還元物を生成することを学ぶ。 KEGGによる疾患経路予測の精度は86%から98%に向上する。 また、強いベースラインよりも平均15%の変動効果予測を改善する。
  論文  参考訳（メタデータ） (2025-05-29T15:49:27Z)
• Multi-omic Causal Discovery using Genotypes and Gene Expression [0.0]
  転写データの祖先関係を推定するための制約に基づく因果アルゴリズムであるGENESISを導入する。 遺伝子型を固定因果アンカーとして統合することにより、genESISは古典因果発見アルゴリズムに「原則的出発」を提供する。 この枠組みは、複雑な形質の因果経路を明らかにするための強力な経路を提供し、機能ゲノム学、薬物発見、精密医療への有望な応用を提供する。
  論文  参考訳（メタデータ） (2025-05-21T11:52:23Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)

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。