論文の概要: REFLEX: RNA Ensemble Generation via Flexibility-Calibrated Stochastic Bridge
- arxiv url: http://arxiv.org/abs/2610.26261v2
- Date: Wed, 21 Oct 2026 09:07:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.05543
- Title: REFLEX: RNA Ensemble Generation via Flexibility-Calibrated Stochastic Bridge
- Title（参考訳）: REFLEX: 柔軟キャリブレーション型確率ブリッジによるRNAアンサンブル生成
- Abstract要約: 本稿では,バックボーンフレームアンサンブルのためのシーケンス条件付きジェネレータREFLEXを紹介する。
学習された柔軟性条件は、ブリッジフィールドネットワークを誘導し、ノイズ状態からターゲット固有のフレームを復元する。
マルチコンフォーマーRNAベンチマークでは、REFLEXは評価しきい値を越えたアンサンブルカバレッジの最良の精度トレードオフを達成する。
- 参考スコア（独自算出の注目度）: 8.252548283972418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: RNA molecules often function through multiple experimentally observed conformational states. A central challenge is to capture ensemble diversity without sacrificing structural fidelity: samples may collapse toward averaged representative structures or drift into unsupported conformational regions. We introduce REFLEX (RNA Ensemble generation calibrated by FLEXibility), a sequence-conditioned generator for RNA backbone-frame ensembles based on a heteroscedastic stochastic bridge on SE(3). During training, experimental B-factors calibrate residue-wise bridge widths, exposing each observed conformer through local perturbation neighborhoods with residue-specific scales while keeping constrained regions sharper. A learned flexibility condition guides the bridge-field network to recover target conformer-specific frames from these calibrated noisy states. At inference, REFLEX uses only the input sequence, requiring no MSA-subsampling heuristics. On a multi-conformer RNA benchmark, REFLEX achieves the best precision-recall trade-off for ensemble coverage across evaluation thresholds, while recovery-stress ablations indicate gains in target-frame recovery under stronger perturbations.
- Abstract（参考訳）: RNA分子は、しばしば複数の実験的に観察されたコンフォメーション状態を介して機能する。
中心的な課題は、構造的忠実性を犠牲にすることなく、アンサンブルの多様性を捉えることである。
本稿では,ヘテロセダスティックな確率的ブリッジをベースとした,RNAバックボーンフレームアンサンブルの配列条件付きジェネレータREFLEX(FLEXibilityで校正されたRNAエンサンブル生成)を紹介する。
トレーニング中、実験的なB因子は残留方向の橋幅を校正し、観察された各コンホメータを局所摂動近傍に露出させ、制約領域をより鋭く保ちながら残留特異なスケールで保持する。
学習された柔軟性条件は、ブリッジフィールドネットワークを誘導し、これらの校正ノイズ状態からターゲットコンホメータ固有のフレームを復元する。
推論では、REFLEXは入力シーケンスのみを使用し、MSAサブサンプリングヒューリスティックを必要としない。
マルチコンフォーマーRNAベンチマークでは、REFLEXは評価しきい値を越えたアンサンブルカバレッジのための最も正確なリコールトレードオフを達成する。
関連論文リスト
- Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。
REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
論文 参考訳（メタデータ） (2026-10-04T16:54:37Z) - Null-Space Diffusion Restoration with Adaptive Uncertainty-Guided Fusion for Ultrasound Speckle Reduction [2.081691729410268]
超音波Bモードイメージングは通常、スペックルノイズやアーティファクトに悩まされる。
新しい不確実性誘導型ヌル空間拡散(UGNS)フレームワークは、安定化された正エンベローププロキシ上での整合性を強制する。
UGNSは細かな空間分解能を保ちながらスペックルノイズを効果的に抑制することが検証された。
論文 参考訳（メタデータ） (2026-08-30T14:45:13Z) - SkelEM: Training-Signal Decoupling of Skeleton and Diffusion for Self-supervised Axial Super-Resolution in Volume Microscopy [14.298763486164377]
電子や光の顕微鏡を含む体積顕微鏡は、物理軸断面積による激しい異方性分解に悩まされる。
既存の自己教師付き軸超解像法(ASR)は、過度に滑らかな回帰テクスチャ、純粋な拡散モデルの構造幻覚、および禁止的な推論遅延によって境界付けられたトリレンマに直面している。
SkelEM(Skeleton-RefinE Microscopy)は,ASRを訓練信号レベルで分離する自己監督型フレームワークである。
SkelEMは、最先端下流膜を有する自己監督法において、フィデリティ・パーセプショントレードオフの最も好適なバランスを達成する
論文 参考訳（メタデータ） (2026-06-29T09:19:04Z) - Full spectrum Unlearnable Examples via Spectral Equalization [29.22443621401928]
スペクトル等化(FUSE)によるフルスペクトル未学習例を提案する。
FUSEは、異なるバンドからのコントリビューションを等しくし、バンド間の一貫性を強制することにより、スペクトルに依存しない摂動を生成する。
複数のデータセット、アーキテクチャ、スペクトルフィルタリングにわたる実験は、FUSEによって達成された強力な保護を示す。
論文 参考訳（メタデータ） (2026-06-25T07:53:53Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - FUMO: Prior-Modulated Diffusion for Single Image Reflection Removal [51.98991734660274]
本稿では、空間制御性と構造忠実性を改善するために、明示的な誘導信号を導入した事前変調フレームワーク(FUMO)を用いた拡散モデルを提案する。
標準ベンチマークと野生での挑戦的な画像の両方で実施された実験は、競争力のある定量的結果を示し、知覚品質を継続的に改善した。
論文 参考訳（メタデータ） (2026-03-19T15:33:11Z) - Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation [1.8848440735415501]
多発性免疫蛍光(mIF)は、無傷組織構造内の複数のバイオマーカーの同時定量を可能にする。
仮想染色は、広く利用可能な光電化学(IHC)からmIFチャネルを合成することができるが、現在のトランスレータは、核形態を明示的に制限することなくピクセルレベルの忠実度を最適化する。
この研究は、事前訓練された核分割基礎モデルから連続セル確率マップを注入する、監督不要でアーキテクチャに依存しない条件付け戦略を導入する。
論文 参考訳（メタデータ） (2026-03-17T06:25:50Z) - Cross-Distribution Diffusion Priors-Driven Iterative Reconstruction for Sparse-View CT [19.18392754322368]
Sparse-View CT(SVCT)の再建は、時間分解能を高め、放射線線量を減らすが、その臨床的使用は人工物によって妨げられる。
本稿では,SVCTにおけるOOD問題に対処するクロスディストリビューション拡散優先型反復再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-16T22:35:13Z)
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。