論文の概要: Synthetic reaction data from transformation rules for graph-to-sequence pretraining in biodegradation pathway prediction
- arxiv url: http://arxiv.org/abs/2610.19640v1
- Date: Wed, 14 Oct 2026 06:10:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.989163
- Title: Synthetic reaction data from transformation rules for graph-to-sequence pretraining in biodegradation pathway prediction
- Title（参考訳）: 生分解経路予測におけるグラフ・ツー・シーケンス事前学習のための変換規則からの合成反応データ
- Abstract要約: enviGraphは合成反応データを生成してキュレートする。
enviFormerは776,851個の標準親子対を前訓練のために生産する。
enviGraphは、4つの主要な事前トレーニングデータセットのそれぞれの下で、EnviFormerよりも、土壌の多世代PR-AUC平均が高い。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The scarcity of observed biodegradation reactions constrains the training of product and pathway predictors. We present enviGraph, a framework that generates and curates synthetic reaction data, uses these data to pretrain a graph-to-sequence predictor, and fine-tunes the predictor on observed environmental reactions for product and recursive pathway prediction. Applying inherited environmental transformation rules to structures from PubChem, NORMAN SusDat and EPA DSSTox, followed by curation, produces 776,851 canonical parent-product pairs for pretraining. We compare this dataset with three United States Patent and Trademark Office (USPTO) reaction datasets: USPTO-50K, USPTO-MIT and USPTO-Stereo. We evaluate enviGraph and the sequence-based enviFormer using ten folds split by pathway on the EAWAG Biocatalysis/Biodegradation Database (BBD), regulatory pesticide biodegradation data (Soil) and activated-sludge biodegradation data (Sludge). For both predictors, synthetic pretraining gives the highest BBD mean precision-recall area under the curve (PR-AUC) among the evaluated pretraining datasets for single-generation and multi-generation prediction. enviGraph achieves BBD single-generation PR-AUC of $0.202 \pm 0.050$ with synthetic pretraining, compared with $0.169 \pm 0.065$ for the retrospectively selected strongest USPTO condition, USPTO-Stereo (mean $\pm$ sample standard deviation across folds). Its exact BBD top-1 and top-5 accuracies with synthetic pretraining are 0.355 and 0.594. The strongest USPTO conditions give higher PR-AUC means than synthetic pretraining in most Soil and Sludge comparisons. enviGraph has higher Soil multi-generation PR-AUC means than enviFormer under each of the four main pretraining datasets, and with synthetic pretraining it also leads enviFormer on BBD single-generation PR-AUC and exact top-1 and top-5 accuracy.
- Abstract（参考訳）: 観察された生分解反応の不足は、生成物および経路予測子の訓練を制約する。
本稿では, 合成反応データの生成とキュレートを行うフレームワークであるenviGraphについて, これらのデータを用いて, グラフ・ツー・シーケンス予測器を事前学習し, 生成物および再帰経路予測のための観察された環境反応の予測器を微調整する。
PubChem、NORMAN SusDat、EPA DSSToxなどの環境変換規則を応用し、キュレーションを行い、776,851個の標準親子対を前訓練用に生成する。
このデータセットを、USPTO-50K、USPTO-MIT、USPTO-Stereoの3つの米国特許商標庁(USPTO)の反応データセットと比較する。
EAWAG Biocatalysis/Biodegradation Database (BBD) , 規制農薬生分解データ (Soil) および活性汚泥生分解データ (Sludge) を用いた10個の折り畳み式EnviGraphおよびシーケンスベースEnviFormerの評価を行った。
どちらの予測者に対しても、合成事前学習は、単一世代および多世代予測のための評価済み事前学習データセットのうち、曲線(PR-AUC)の下でのBBD平均精度の最も高い領域を与える。
enviGraph は BBD の単世代 PR-AUC を 0.202 \pm 0.050$ の合成プレトレーニングで達成し、振り返りに選択された USPTO 条件である USPTO-Stereo に対して 0.169 \pm 0.065$ (平均$\pm$ のサンプル標準偏差) に対して 0.169 \pm 0.065$ である。
正確なBBDトップ1と合成前訓練によるトップ5のアキュラシーは0.355と0.594である。
最も強いUSPTO条件は、多くの土壌と汚泥の比較において合成プレトレーニングよりも高いPR-AUC平均を与える。
enviGraphは4つのトレーニング済みデータセットのそれぞれで、EnviFormerよりも高いSoilマルチジェネレーションPR-AUC平均を持ち、合成事前トレーニングにより、BBD単一世代PR-AUCと正確なトップ1とトップ5の精度でEnviFormerを導く。
関連論文リスト
- DegradeQuery: Counterfactual Tuple Pretraining for Context-Aware PROTAC Degradation Prediction [18.81893983662407]
DegradeQueryはコンテキスト対応の予測フレームワークです。
ラベル消去レコードを事前学習信号に変換する。
公式の PROTAC-8K ベンチマークでは、DegradeQuery は受信者の特性曲線 0.9065 と精度 0.8500 の領域を達成している。
論文 参考訳（メタデータ） (2026-08-11T07:25:41Z) - LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning [59.34593956287438]
我々は,事前学習信号ファミリーが変化した後,メソッド固有の構成が再利用されない場合にSSLレシピがどのように振る舞うかを検討する。
我々は遅延ユークリッド次世代予測アーキテクチャ(LeNEPA)を紹介する。
LeNEPAは、バニラNEPAが使用する停止段階/EMA安定化をSIGRegベースのイソトロピー正則化に置き換える。
論文 参考訳（メタデータ） (2026-07-01T13:56:21Z) - Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects [4.860649440823431]
Chem-PerturBridgeは、37k以上の化合物、136の細胞コンテキスト、1.25Mの転写サンプルからなる、調和したマルチデータセット資源である。
このリソースを使用して、データセット間での一致条件の一致を評価し、データセット内での一致を再現します。
論文 参考訳（メタデータ） (2026-05-29T16:38:30Z) - The Economics of Model Collapse: Equilibrium, Welfare, and Optimal Provenance Subsidies in Synthetic Data Markets [0.0]
合成内容に対する再帰的な訓練は、測定可能でしばしば可逆的な分布の忠実さの損失を誘導する。
我々は,モデル崩壊下での合成データ市場における最初の統一的ミクロ経済理論を開発した。
論文 参考訳（メタデータ） (2026-05-19T04:41:39Z) - The Impact of Post-training on Data Contamination [5.868569999949525]
汚染は、継続した事前トレーニングによって徐々に減少するパフォーマンススパイクを引き起こす。
SFTとGRPOはどちらも漏洩した情報を再浮上させたが、外部の妥当性は異なっていた。
RLベースのポストトレーニングは、免疫性はないが、汚染に関連する過度な推定問題を緩和するのに役立つ。
論文 参考訳（メタデータ） (2026-01-03T00:21:39Z) - Predicting Mycotoxin Contamination in Irish Oats Using Deep and Transfer Learning [0.0]
マイコトキシン汚染は穀物の品質、食品の安全性、農業生産性に重大なリスクをもたらす。
本研究は,アイリッシュオート作物のマイコトキシン汚染をマルチレスポンス予測タスクとして,ニューラルネットワークと移動学習モデルを用いて予測するものである。
論文 参考訳（メタデータ） (2025-12-23T20:08:50Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-01-31T07:40:37Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z)
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。