論文の概要: Escaping the Phylogenetic Trap: Persistent Homology Enables Cross-Species Ion Channel Classification via Multimodal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2610.30394v1
• Date: Wed, 21 Oct 2026 19:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.124714
• Title: Escaping the Phylogenetic Trap: Persistent Homology Enables Cross-Species Ion Channel Classification via Multimodal Graph Neural Networks
• Title（参考訳）: 系統的トラップを逃れる:マルチモーダルグラフニューラルネットワークによる異種イオンチャネル分類を可能にする永続ホモロジー
• Abstract要約: 我々は、ESM-2配列の埋め込みをジスルフィド対応グラフアテンションネットワークに融合させるマルチモーダルバックボーンを使用する。 我々は,1,373ColabFold予測毒素化合物のベンチマークにおいて,残量1タキソンアウト評価プロトコルの下での5つの構造誘導バイアスを比較した。 我々のパーシステンス・ホモロジー・モデル(PH-GNN)は63.4%を達成し、次のベスト・メソッドを8ポイント以上上回った。
• 参考スコア（独自算出の注目度）: 0.33192154134362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein classifiers are highly sensitive to evaluation protocol: random train/test splits induce phylogenetic leakage, allowing models to exploit taxon-specific correlations and substantially overestimate out-of-distribution performance. This issue is particularly acute for venom compound classification by ion-channel target (Ca2+, K+, Na+), where reported accuracies of 80-90% do not reflect generalization to unseen taxa. We formulate cross-species prediction as a structured distribution shift in which taxonomic identity acts as a confounder, requiring representations that capture structural features invariant across phylogeny. Using a shared multimodal backbone that fuses ESM-2 sequence embeddings with a disulfide-aware graph attention network, we systematically compare five structural inductive biases (spectral, Riemannian, SE(3)-invariant, statistical-manifold, and persistent-homology representations) under a leave-one-taxon-out evaluation protocol on a benchmark of 1,373 ColabFold-predicted venom compounds spanning five taxa. The persistent-homology representation summarizes backbone geometry through topological descriptors that are robust to local structural perturbations, providing an inductive bias toward phylogenetically invariant learning. Under conventional i.i.d. splits, all models achieve similar accuracy (81-86%), masking differences in inductive bias. Under taxonomic shift, this parity collapses: a sequence-only baseline drops to approximately 30%, the remaining geometric priors cluster at 54-55%, while our persistent-homology model (PH-GNN) achieves 63.4%, outperforming the next-best method by over 8 percentage points. These results demonstrate that random-split evaluation obscures meaningful differences in representation quality and identify topological representations as an effective inductive bias for learning under structured biological distribution shift.
• Abstract（参考訳）: ランダムなトレイン/テスト分割は系統的リークを誘発し、モデルが分類学固有の相関を活用でき、アウト・オブ・ディストリビューション性能を大幅に過大評価することができる。 この問題は、イオンチャネルターゲット(Ca2+, K+, Na+)による毒化合物の分類において特に急激であり、報告された80～90%の精度は、目に見えない分類群への一般化を反映していない。 分類学的なアイデンティティが共同創設者として機能する構造的分布シフトとしてクロス種予測を定式化し、系統的に不変な構造的特徴を捉える表現を必要とする。 ジスルフィドを意識したグラフアテンションネットワークとESM-2配列の埋め込みを融合した共有マルチモーダルバックボーンを用いて、5つの分類にまたがる1,373ColabFold予測毒素化合物のベンチマークにおいて、5つの構造的帰納バイアス(スペクトル, リーマン的, SE(3)不変, 統計多様体, 永続ホモロジー表現)を比較した。 永続ホモロジー表現は、局所的な構造的摂動に対して堅牢なトポロジカル記述子を通してバックボーン幾何学を要約し、系統的に不変な学習に対する帰納的バイアスを与える。 従来の i.d. 分割では、すべてのモデルも同様の精度 (81-86%) を達成し、帰納バイアスのマスキング差を隠蔽する。 塩基配列のみの塩基配列はおよそ30%に低下し、残りの幾何学的前駆体は54-55%に減少し、我々の持続的ホモロジーモデル(PH-GNN)は63.4%となり、次のベスト法よりも8ポイント以上向上した。 これらの結果から, ランダムスプリット評価により, 表現質の有意な差異が明らかとなり, トポロジカルな表現が, 構造的分布シフト下での学習に有効な帰納的バイアスとして認識できることが示唆された。

関連論文リスト

• Not All Nodes Are Created Equal: Homophily-Aware Stratification for Stable GNN Evaluation [5.880659774011303]
  グラフニューラルネットワークは、トランスダクティブノード分類に広く利用されている。 hp は位相対応の層状化処理であり、ノードのホモフィリーを一次層状化軸として扱う。 hpは、ランダムな$k$-foldの2.31と比較して平均安定性ランクが1.49であり、15データセットの13の平均安定性ランクが最低である。
  論文  参考訳（メタデータ） (2026-09-16T11:27:08Z)
• What Topological and Geometric Structure Do Biological Foundation Models Learn? Evidence from 141 Hypotheses [0.0]
  52回の反復で141の幾何学的および位相的仮説を提案し,検証し,洗練するAI駆動ブレインストーミングループを提案する。 遺伝子埋め込み近傍は非自明なトポロジーを示し、12層のうち11層に持続的ホモロジーが有意である。 scGPTとGeneformerのCCAアライメントは0.80の正準相関と72%の遺伝子検索精度をもたらすが、19の検査方法が確実に遺伝子レベルの対応を回復することはなかった。
  論文  参考訳（メタデータ） (2026-02-25T14:33:24Z)
• Decoding Positive Selection in Mycobacterium tuberculosis with Phylogeny-Guided Graph Attention Models [0.17499351967216337]
  陽性選択は、マイコバクテリウム結核における適応突然変異の出現を促進する。 本稿では,SNPを付加した系統樹をニューラルネットワーク解析に適したグラフ構造に変換するための系統誘導グラフアテンションネットワーク(GAT)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T18:06:39Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Enhancing Downstream Analysis in Genome Sequencing: Species Classification While Basecalling [1.0017486177151396]
  本稿では,ヌクレオチド配列の決定と並行して,シークエンシング装置からの信号のプロファイリングを行う手法を提案する。 本稿では,共有層に対するモデル重みを組み合わせて,ベースコールと分類の損失を個別にバックプロモートする新たな損失戦略を提案する。 我々は最先端のベースコール精度を達成する一方、分類精度は最先端のバイナリ分類器の結果を超えている。
  論文  参考訳（メタデータ） (2025-04-09T17:30:43Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• A Neural Collapse Perspective on Feature Evolution in Graph Neural Networks [44.31777384413466]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの分類タスクでますます人気が高まっている。 本稿では,ノードワイズ分類に着目し,ニューラル崩壊現象のレンズによる特徴進化を考察する。 我々は、「最適」な数学的モデルでさえ、グラフが正確な崩壊を伴う最小値を持つためには厳密な構造条件に従う必要があることを示した。
  論文  参考訳（メタデータ） (2023-07-04T23:03:21Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Mycorrhiza: Genotype Assignment usingPhylogenetic Networks [2.286041284499166]
  遺伝子型代入問題に対する機械学習手法であるMycorrhizaを紹介する。 提案アルゴリズムは系統ネットワークを用いて,標本間の進化的関係を符号化する特徴を設計する。 Mycorrhizaは、大きな平均固定指数(FST)を持つデータセットやハーディ・ワインバーグ平衡からの偏差で特に顕著な利得を得る。
  論文  参考訳（メタデータ） (2020-10-14T02:36:27Z)

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。