論文の概要: VANDAM: Viewing a nucleotide sequence with DNA molecular priors

• arxiv url: http://arxiv.org/abs/2610.00411v1
• Date: Wed, 30 Sep 2026 14:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.648166
• Title: VANDAM: Viewing a nucleotide sequence with DNA molecular priors
• Title（参考訳）: VANDAM:DNA分子前駆体を用いたヌクレオチド配列の検索
• Abstract要約: 本稿では,ゲノム基盤モデルのDNA分子前駆体によるトレーニングを拡張するフレームワークであるVANDAMを紹介する。 自己教師によるトレーニングでは、VANDAMはプールされた表現から局所的な分子特性を予測する。 VANDAMは、4つのアーキテクチャファミリと9つの保持されたゲノムタスクにわたるダウンストリームパフォーマンスを一貫して改善する。
• 参考スコア（独自算出の注目度）: 28.334531467975964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contemporary Genomic Foundation Models (GFMs) rely on a DNA-as-a-string paradigm that employs masked token prediction objectives for pretraining. However, this abstraction does not explicitly model the biochemical, structural, and physical properties essential to biological function. Many molecular properties can be estimated from sequence using established biophysical models, so their utility lies not in providing an independent modality, but in introducing priors that training objectives can explicitly exploit. We introduce VANDAM, a framework that extends the training of GFMs with DNA molecular priors. In self-supervised training, VANDAM predicts regional molecular properties from pooled representations. When functional labels are available and can reward retaining molecular priors, local features are additionally injected at the input. VANDAM consistently improves downstream performance across four architecture families and nine held-out genomic tasks by complementing token-based objectives. Probing experiments further demonstrate that the use of molecular priors generalizes to other unseen molecular properties.
• Abstract（参考訳）: 現代のゲノム基盤モデル (GFMs) は、事前にトレーニングするためにマスク付きトークン予測の目的を利用するDNA・アズ・ア・ストリングのパラダイムに依存している。 しかし、この抽象概念は、生物学的機能に不可欠な生化学的、構造的、物理的特性を明示的にモデル化していない。 多くの分子特性は、確立された生物物理モデルを用いて配列から推定できるため、その効用は独立したモダリティを提供することではなく、訓練対象が明示的に活用できる事前を導入することである。 我々は,DNA分子前駆体を用いたGFMのトレーニングを拡張するフレームワークであるVANDAMを紹介する。 自己教師によるトレーニングでは、VANDAMはプールされた表現から局所的な分子特性を予測する。 機能ラベルが利用可能で、分子前駆体を保持すると、局所的な特徴が入力に注入される。 VANDAMは、トークンベースの目的を補完することにより、4つのアーキテクチャファミリと9つの保持されたゲノムタスクのダウンストリームパフォーマンスを一貫して改善する。 さらに、分子先駆体の使用が他の未知の分子特性に一般化することを実証実験が示している。

関連論文リスト

• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
  MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。 両者の分子表現の強さを融合させる。 ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-11-28T10:28:35Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)

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。