論文の概要: HyperTaxa: Multiscale Genome Representations for Generalized Microbial Taxonomic Inference

• arxiv url: http://arxiv.org/abs/2610.25673v1
• Date: Mon, 19 Oct 2026 02:23:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 12:32:53.958292
• Title: HyperTaxa: Multiscale Genome Representations for Generalized Microbial Taxonomic Inference
• Title（参考訳）: HyperTaxa: 汎用微生物分類学推論のためのマルチスケールゲノム表現
• Abstract要約: HyperTaxaは、オープンセットの微生物分類学推論のための分類対応の表現学習フレームワークである。 ゲノム全体をマルチスケールの超スペクトル k-メル遷移体としてエンコードし、これらの表現を分類学由来のセマンティック空間に整列させる。 ゲノムレベルの訓練から除外された種に対するゼロショット推論をサポートし、分類学、目に見えない種に対する一般化されたゼロショット推論、カスケードされた属から種への予測をサポートする。
• 参考スコア（独自算出の注目度）: 0.36944296923226316
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable microbial taxonomic inference is challenged by the rapid growth of newly sequenced organisms and incomplete reference coverage. While alignment- and database-driven tools remain essential for reference-backed identification, they are not designed for learned inference over species absent from genome-level training. We introduce HyperTaxa, a taxonomy-aligned representation learning framework for open-set microbial taxonomic inference. HyperTaxa encodes whole genomes as multiscale hyperspectral k-mer transition fields and aligns these representations to a taxonomy-derived semantic space using a two-stage Node2Vec-to-MDS procedure that combines local graph structure with global hierarchical distance preservation. The resulting space supports zero-shot inference over species excluded from genome-level training but represented in the taxonomy, generalized zero-shot inference over seen and unseen species, and cascaded genus-to-species prediction. Across benchmark and large-scale disjoint-species evaluations, HyperTaxa improves taxonomic prediction over pseudo-image and transformer-graph baselines, with the strongest gains at higher taxonomic ranks. Ablations further show that multiscale transition encoding and taxonomy-aware alignment are key contributors to generalization. These results position HyperTaxa as a complementary taxonomy-aware representation and candidate-generation framework for microbial identification under incomplete reference coverage and open-set uncertainty.
• Abstract（参考訳）: 信頼性の高い微生物分類学推論は、新規に配列された生物の急速な成長と不完全な参照範囲によって挑戦される。 アライメント(アライメント)およびデータベース駆動のツールは、参照支援された識別に必須であるが、ゲノムレベルの訓練に欠如している種に対する学習的な推論のために設計されていない。 オープンセット微生物分類学推論のための分類対応表現学習フレームワークHyperTaxaを紹介する。 HyperTaxaは、全ゲノムをマルチスケールの超スペクトルk-mer遷移体としてエンコードし、局所グラフ構造とグローバル階層的距離保存を組み合わせた2段階のNode2Vec-to-MDSプロシージャを用いて、これらの表現を分類学由来のセマンティック空間に整列させる。 結果として得られた空間は、ゲノムレベルの訓練から除外された種に対するゼロショット推論をサポートし、分類学、目に見えない種に対する一般化されたゼロショット推論、そしてカスケードされた属から種への予測をサポートする。 ベンチマークと大規模な不同種評価を通じて、HyperTaxaは擬似イメージとトランスフォーマーグラフのベースラインに対する分類学的予測を改善し、高い分類学的ランクにおいて最も高い利得を達成している。 アブレーションにより、マルチスケールのトランジションエンコーディングと分類対応アライメントが一般化の鍵となることが示されている。 これらの結果から,HyperTaxaは不完全な基準カバレッジとオープンセットの不確実性の下での微生物識別のための相補的分類認識表現および候補生成フレームワークとして位置づけられた。

関連論文リスト

• Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
  マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。 既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。 本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。 我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-06-20T02:12:05Z)
• TaxDistill: Improving Metagenomic Taxonomic Annotation via Distilled Genomic Foundation Models [3.756924024442221]
  TaxDistillは、メタゲノミクス分類のための知識蒸留フレームワークである。 我々は,教師ネットワークとしてGenomeOceanを導入し,深い意味的特徴を抽出し,信頼度に基づいてソフトラベルを生成する。 さまざまな7つのCAMI2データセットに関する総合的な実験は、TaxDistillがほとんどのシナリオで既存のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-22T08:03:29Z)
• Hierarchy-Guided Multimodal Representation Learning for Taxonomic Inference [17.708423679075075]
  階層型マルチモーダル学習のためのエンドツーエンドの2つの変種を提案する。 CLiBD-HiRは階層情報正規化(HiR)を導入し、分類学レベルで埋め込み幾何学を形作る。 CLiBD-HiR-Fuseは、画像のみ、DNAのみ、または関節推論をサポートする軽量な融合予測器を訓練する。
  論文  参考訳（メタデータ） (2026-03-26T15:47:03Z)
• TaxoBell: Gaussian Box Embeddings for Self-Supervised Taxonomy Expansion [25.5809347473818]
  分類学は様々な領域にまたがる構造化知識表現のバックボーンを形成する。 既存の自動手法は点ベースのベクトル埋め込みに依存している。 Boxの埋め込みは、封じ込めと不整合を可能にすることで、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-01-14T17:08:37Z)
• MetagenBERT: a Transformer-based Architecture using Foundational genomic Large Language Models for novel Metagenome Representation [4.470992949474734]
  分類学的および機能的アノテーションなしで生のDNA配列から直接エンド・ツー・エンドのメタゲノムを組み込むフレームワークであるMetagenBERTを提案する。 5つのベンチマーク腸内微生物叢(肝硬変, T2D, 肥満, IBD, CRC)に対する本手法の評価を行った。 また,MetagenBERT Glob Mcardisは多種多様なMetaCardisコホートを訓練し,他のデータセットに転送し,未知の表現型を含む予測信号を保持するクロスコホートである。
  論文  参考訳（メタデータ） (2026-01-05T19:36:36Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• TEPI: Taxonomy-aware Embedding and Pseudo-Imaging for Scarcely-labeled Zero-shot Genome Classification [0.0]
  種の遺伝コードまたはゲノムは、貴重な進化的、生物学的、系統学的情報をコードする。 従来のバイオインフォマティクスツールは顕著な進歩を遂げているが、スケーラビリティに欠け、計算コストも高い。 TEPI, 分類認識型埋め込み, Pseudo-Imaging を用いたゼロショット学習によりこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-01-24T04:16:28Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)

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。