論文の概要: ARO: Aligned Representation learning for multi-Omics data

• arxiv url: http://arxiv.org/abs/2610.06443v1
• Date: Mon, 05 Oct 2026 14:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:21:32.606119
• Title: ARO: Aligned Representation learning for multi-Omics data
• Title（参考訳）: ARO:マルチオミクスデータのためのアライメント表現学習
• Abstract要約: 本研究はマルチオミクスがんデータから有意義な表現を学習するモデルを提案する。 制限あるいは不完全なデータ設定において、実用的な適用性を優先する。 本研究は, 分子層を単一集積系として解析することで, 信頼性とコスト効率が向上することを示した。
• 参考スコア（独自算出の注目度）: 15.115429478653782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high cost of functional molecular assays, and prevalence of missing modalities and unmatched samples in computational biology, create significant barriers to comprehensive multi-omic profiling, essential for capturing and reasoning over molecules, cells, tissues, and organisms. This work proposes a model that learns meaningful representations from multi-omics cancer data supporting the reconstruction of missing and unpaired modalities. Contrary to increasingly complex, larger models, e.g. Foundation Models (FMs), ARO prioritizes practical applicability in limited or incomplete data settings. ARO optimally reconstructs missing modalities (MSE of $0.15$ on the validation and test data in the Unmasked settings), with its learned latent embeddings enabling a downstream cancer classification task. Our findings indicate that analyzing diverse molecular layers as a single integrated system offers a reliable and cost-efficient approach, reducing dependence on large-scale experimental testing, while still supporting multi-omic exploration in limited data settings.
• Abstract（参考訳）: 機能分子アッセイの高コストと、計算生物学におけるモダリティの欠如と未適合のサンプルの出現は、分子、細胞、組織、有機体の捕獲と推論に不可欠な、包括的な多面体プロファイリングへの重要な障壁を生み出している。 本研究は,欠失および欠失のモダリティの再構築を支援するマルチオミクス癌データから有意義な表現を学習するモデルを提案する。 ますます複雑で大きなモデルであるeg Foundation Models(FM)とは対照的に、AROは制限されたデータ設定や不完全なデータ設定において実用的な適用性を優先する。 AROは、欠落したモダリティ(Unmaskedセッティングにおける検証とテストデータに対して0.15ドルのMSE)を最適に再構築し、その学習された潜伏埋め込みにより下流のがん分類タスクを可能にする。 本研究は, 分子層を単一集積系として解析することにより, 信頼性とコスト効率が向上し, 大規模実験への依存を低減できるとともに, 限られたデータ設定におけるマルチオミック探索も支援できることを示した。

関連論文リスト

• Generative Augmentation of Raman Spectra for Glioma Classification [0.0]
  クラス条件付き合成ラマンスペクトルを生成する条件変分オートエンコーダを開発した。 生成されたデータはTrain-on-Synthetic, Test-on-Real (TS/TR)およびTrain-on-Synthetic+Real, Test-on-Real (TSR/TR)設定で評価される。 リアルトレーニングデータを合成スペクトルで拡張することで、複数のモデルの分類性能が一貫して向上する。
  論文  参考訳（メタデータ） (2026-07-11T08:19:51Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• TSEML: A task-specific embedding-based method for few-shot classification of cancer molecular subtypes [4.815808233338459]
  異種および小癌のデータセットにおける数発の分子サブタイプ予測問題に焦点をあてる。 タスク固有の埋め込み型メタラーニングフレームワーク(TSEML)を導入する。 本フレームワークは,数発の分子サブタイプ分類の問題に対処する上で,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-17T11:30:54Z)
• Disentangling Interpretable Factors with Supervised Independent Subspace Principal Component Analysis [0.9558392439655012]
  Supervised Independent Subspace principal Component Analysis (texttsisPCA$)は、マルチサブスペース学習用に設計されたPCA拡張である。 乳がん診断などの広範囲な応用を通して,隠れたデータ構造を同定し,分離する能力を示す。 以上の結果から,高次元データ解析における説明可能な表現の重要性を浮き彫りにして,マラリアの定着に伴う機能的経路を明らかにした。
  論文  参考訳（メタデータ） (2024-10-31T03:09:40Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。