論文の概要: RiboUnmix: Learning Shared Translational Dynamics from Biased and Noisy Ribo-seq Measurements

• arxiv url: http://arxiv.org/abs/2609.39644v2
• Date: Thu, 01 Oct 2026 09:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.558767
• Title: RiboUnmix: Learning Shared Translational Dynamics from Biased and Noisy Ribo-seq Measurements
• Title（参考訳）: RiboUnmix: バイアスとノイズのあるRibo-seq測定から共有翻訳ダイナミクスを学習する
• Abstract要約: リボソームプロファイリング(Ribo-seq)はmRNAに沿ってリボソーム分布を測定する。 観察された占有プロファイルには、実験固有の歪みと変動性も含まれている。 測定されたプロファイルを正確に予測するモデルは、基礎となる生物学を回復するのではなく、技術的効果を再現することができる。
• 参考スコア（独自算出の注目度）: 3.92893783762992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ribosome profiling (Ribo-seq) measures ribosome distributions along mRNAs, but observed occupancy profiles also contain experiment-specific distortions and stochastic variability. Consequently, models that accurately predict measured profiles may reproduce technical effects rather than recover the underlying biology. We ask whether jointly modeling datasets collected under different experimental conditions can reveal shared, sequence-dependent patterns of ribosome occupancy. We introduce RiboUnmix, a probabilistic multi-dataset framework in which each expected measured profile is represented as a shared sequence-dependent signal modulated by a dataset-specific multiplicative factor. A negative-binomial observation model captures variability across replicates. We evaluate RiboUnmix on a controlled synthetic benchmark combining programmed translation kinetics, ribosome traffic, stochastic count sampling, and sequence-dependent experimental distortions. Because the underlying kinetics and distortions are known, recovery of the shared profile and dataset-specific effects can be assessed separately. Both inferred components correlate strongly with their targets, demonstrating that RiboUnmix can disentangle shared kinetic patterns from experimental effects. Across four organism-specific real-data benchmarks, RiboUnmix outperforms sequence-to-profile baselines in predicting measured profiles. Models trained independently on subsets of 114 HEK-derived datasets recover concordant shared profiles for held-out transcripts, and experiments varying the number and composition of training datasets show that the learned representation remains stable. RiboUnmix thus converts variation across experiments into evidence for reproducible sequence-dependent patterns of ribosome occupancy, supporting biological hypothesis generation from diverse Ribo-seq datasets.
• Abstract（参考訳）: リボソームプロファイリング(Ribo-seq)はmRNAに沿ってリボソーム分布を測定するが、観察された占有プロファイルには実験特異的な歪みと確率的変動も含まれている。 したがって、測定されたプロファイルを正確に予測するモデルは、基礎となる生物学を回復するのではなく、技術的効果を再現することができる。 我々は、異なる実験条件下で収集されたデータセットを共同でモデリングすることで、リボソーム占有の共有、シーケンス依存パターンを明らかにすることができるかどうかを問う。 本稿では,データセット固有の乗算係数によって変調された共有シーケンス依存信号として,予測された各プロファイルが表現される確率的マルチデータセットフレームワークであるRiboUnmixを紹介する。 負二項観察モデルは複製間の変動をキャプチャする。 プログラム翻訳速度, リボソームトラフィック, 確率数サンプリング, シーケンス依存の実験的歪みを組み合わせた, 制御された合成ベンチマーク上でのRiboUnmixの評価を行った。 基礎となる速度論と歪みが知られているので、共有プロファイルとデータセット固有の効果の回復を別々に評価することができる。 両方の推定成分はターゲットと強く相関し、実験結果から共有運動パターンをアンタングルできることを示した。 4つの生物固有の実データベンチマークの中で、RiboUnmixは、測定されたプロファイルを予測するために、シークエンスから目立ったベースラインを上回っている。 114のHEK由来データセットのサブセットに基づいて独立に訓練されたモデルは、保持されたテキストの共有プロファイルを復元し、トレーニングデータセットの数と構成を異なる実験により、学習された表現が安定していることを示す。 これにより、リボUnmixは実験間での変異をリボソーム占有の再現可能な配列依存パターンの証拠に変換し、多様なリボ-セックデータセットから生物学的仮説を生成する。

関連論文リスト

• Scalable Diffusion SBI for Compositional Inference under Simulator Misspecification [0.0]
  設計条件設定における拡散に基づく推論のためのサンプリング法と微調整法を開発した。 HBDS(Hierarchical Blockwise Diffusion Sampling)を導入し,1つの事前学習モデルを用いて,共有パラメータとグループ固有の潜在状態を推定する。 誤特定に対処するために、我々は学習した確率を観測に適応させ、修正を後部推論に転送するパス規則化された微調整を導入する。
  論文  参考訳（メタデータ） (2026-09-29T07:55:47Z)
• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• A Random Matrix Theory Perspective on the Consistency of Diffusion Models [31.63433424187031]
  データセットの異なるサブセットでトレーニングされた拡散モデルは、しばしば同じノイズシードを与えられたときに、著しく類似した出力を生成する。 我々は,学習したデノイザとサンプリングマップの期待値と分散値の有限形状を定量化するランダム行列理論(RMT)フレームワークを開発した。 我々は,UNet および DiT アーキテクチャの非記憶系における予測を検証した。
  論文  参考訳（メタデータ） (2026-02-02T23:30:28Z)
• Independent Component Discovery in Temporal Count Data [46.526610368455096]
  本稿では、時間数データの独立成分分析のための生成フレームワークを導入し、レギュラー適応力学とポアソン対数正規放出を組み合わせた。 このモデルは、状態に依存したコントリビューションで絡み合ったコンポーネントを特定し、表現学習と摂動解析を可能にする。
  論文  参考訳（メタデータ） (2026-01-29T13:30:10Z)
• 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)
• Hierarchical Sparse Bayesian Multitask Model with Scalable Inference for Microbiome Analysis [1.361248247831476]
  本稿では,一般的なマルチタスク二元分類学習問題に適用可能な階層型ベイズ的マルチタスク学習モデルを提案する。 後方分布を近似するために,変分推定に基づく計算効率の良い推論アルゴリズムを導出する。 各種合成データセットに対する新しいアプローチの可能性を示し, マイクロバイオームプロファイルに基づくヒトの健康状態の予測を行う。
  論文  参考訳（メタデータ） (2025-02-04T18:23:22Z)
• Bayesian predictive modeling of multi-source multi-way data [0.0]
  初期鉄欠乏症 (ID) の予測因子として, 複数のオミクス源から得られた分子データについて検討した。 係数に低ランク構造を持つ線形モデルを用いて多方向依存を捕捉する。 本モデルでは, 誤分類率と推定係数と真の係数との相関から, 期待通りの性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-08-05T21:58:23Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。