論文の概要: GoCo: structure-guided conformal calibration for error-controlled Gene Ontology annotation release
- arxiv url: http://arxiv.org/abs/2610.32990v1
- Date: Tue, 29 Sep 2026 11:34:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 06:06:26.118163
- Title: GoCo: structure-guided conformal calibration for error-controlled Gene Ontology annotation release
- Title（参考訳）: GoCo: エラー制御遺伝子オントロジーアノテーションリリースのための構造誘導型コンフォメーションキャリブレーション
- Abstract要約: 既存の予測器からのスコアがリリースアノテーションに変換される方法を校正する構造誘導フレームワークであるGoCoを紹介します。
GoCoはGO-hierarchy-aware gene-level false discovery (FDP)のグローバルしきい値を認定し、同じリスクコントロール保証の下でネストされたリリースパスを構築する。
- 参考スコア（独自算出の注目度）: 6.899164014646542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational gene-function prediction generates annotations at a scale that experimental characterization cannot match, yet substantial errors remain even among leading methods. Explicit error-controlled calibration for Gene Ontology (GO) prediction remains largely undeveloped. We introduce GoCo, a structure-guided framework that calibrates how scores from an existing predictor are converted into released annotations. GoCo certifies a global threshold for a GO-hierarchy-aware gene-level false discovery proportion (FDP), then constructs a nested release path under the same asymptotic risk-control guarantee. At the primary operating point (alpha=0.10, delta=0.50), GoCo-M, developed on Wainberg co-essentiality modules and applied without retuning to three independent studies with the same shared-evidence structure, kept mean held-out gene-level FDP at or below target while releasing 6.3-17.6% more reference-supported GO terms than Multilabel. For gene-specific neighbourhoods, GoCo-N orders individual calls. Developed on FunMap and validated without retuning on the STRING v12.0 experiments-only network, GoCo-N released 33.8% and 36.4% more reference-supported GO terms than Multilabel on the same refined score grid in FunMap and STRING, respectively, while keeping mean held-out FDP below target. The same pattern held under the stricter delta=0.10 setting. Thus, predictor-native biological structure can be reused at calibration, not only prediction, to release more supported annotations at a chosen gene-level error target without retraining the predictor.
- Abstract（参考訳）: 計算的遺伝子機能予測は、実験的な特徴が一致しないスケールでアノテーションを生成するが、主要な手法の間でもかなりのエラーが残っている。
遺伝子オントロジー(GO)予測のための明示的なエラー制御キャリブレーションは、ほとんど未発達のままである。
既存の予測器からのスコアがリリースアノテーションに変換される方法を校正する構造誘導フレームワークであるGoCoを紹介します。
GoCoはGO-hierarchy-aware gene-level false discovery proportion (FDP)のグローバルしきい値を認定し、同じ漸近的リスクコントロール保証の下でネストされたリリースパスを構築する。
第一の運用点(alpha=0.10, delta=0.50)では、GoCo-MがWainbergの共存モジュール上で開発され、同じ共有エビデンス構造を持つ3つの独立した研究に再調整することなく適用された。
遺伝子特異的な近傍では、GoCo-Nは個々の呼び出しを命令する。
FunMap上で開発され、STRING v12.0実験専用ネットワークを再調整せずに検証されたGoCo-Nは、FunMapとSTRINGでそれぞれ同じ改良されたスコアグリッド上でMultilabelよりも33.8%と36.4%多く参照サポートされたGO用語をリリースした。
同じパターンはより厳密なデルタ=0.10設定で保持される。
これにより、予測子固有の生物学的構造をキャリブレーション時に再利用することができ、予測子を再訓練することなく、選択された遺伝子レベルのエラーターゲットでより多くのアノテーションを解放することができる。
関連論文リスト
- Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
論文 参考訳（メタデータ） (2026-10-13T07:37:52Z) - What DNA Foundation Models Learn Beyond Sequence Composition [0.0]
我々は、57のゲノム分類データセットにわたる正規化k-mer周波数に対するゲノム基盤モデル(FM)を評価する。
単純なk-mer機能はほとんどのモデルと競合するが、NTv3は一貫した優位性を示している。
本研究は, 構成的特徴を必須制御として確立し, 凍結ゲノム表現の付加価値を評価するための相補的診断を行う。
論文 参考訳（メタデータ） (2026-10-11T15:51:29Z) - ProtocolMatch: Protocol-Dependent Model Selection for Scientific Dynamics Forecasting [46.122203287541005]
プロトコルに依存したモデル選択を定式化し、計算マッチング、バリデーション選択、フェール保存評価フレームワークであるProtocolMatchを導入する。
駆動量子スピン力学では、3つの独立に生成されたデータセットに対して、繰り返し、パッチ付きアテンション、因果アテンション、低ランク線形予測器を比較する。
論文 参考訳（メタデータ） (2026-10-07T15:23:27Z) - AmbiModBench: Benchmarking Gene Perturbation Prediction Beyond Shared Responses [48.72528617189033]
遺伝的摂動に対する細胞応答の予測は、単細胞ゲノム学における実験の優先順位付けに役立つ。
本稿では,AmbiModBenchを提案する。
論文 参考訳（メタデータ） (2026-09-26T12:10:35Z) - When Genomic Masking Priors Fail to Transfer: Strong Variant Prediction, Weak Functional Generation [6.888870145233493]
双方向離散拡散モデルは、両方の側面から欠落した配列を再構成できるため、ゲノムモデリングに自然に適しているように見える。
我々は, エントロピー誘導スパン配置が構成複雑領域の再構成圧力を集中させるという仮説の下で, GenDA (Genomic density-timized Absorbing Diffusion) を開発した。
私たちの結果は、この前提を部分的に支持するだけであります。
論文 参考訳（メタデータ） (2026-09-04T08:21:34Z) - BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。
学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。
CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
論文 参考訳（メタデータ） (2026-08-06T11:58:29Z) - Gene Ontology-Guided Hierarchical Spatial Gene Expression Prediction from Histopathology Images [7.420574792982795]
遺伝子オントロジー(GO)を組み込んだMSGR(Multi-Scale Gene Refiner)を提案する。
GO構造化デコーディングは、最先端の生成ベースラインに対してさえ、フラットデコーディングよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-08-01T03:01:09Z) - BRIDGE: Bottleneck-Aware Regulator-Set Inference and Diagnosis for Cooperative Gene Regulatory Recovery [2.8410059035029955]
Bottleneck-Aware Regulator-Set Inference and Diagnosis (BRIDGE)は、完全なレギュレータセット回復のためのフレームワークである。
TRACEは、検索、セットレベルのスコアリング、デコード、評価ボトルネックに障害を原因付ける診断スイートである。
30回にわたるシード協調設定では、Residual HOS2はJaccardの類似性を0.382から0.460に改善し、0.522から0.597にリコールし、分解可能なペアセットスコアで0.053から0.113に正確なリカバリを行う。
論文 参考訳（メタデータ） (2026-07-21T00:31:48Z) - AnnotateMissense: a genome-wide annotation and benchmarking framework for missense pathogenicity prediction [0.0]
AnnotateMissenseは、ミスセンス変異解釈のためのスケーラブルなアノテーション、ベンチマーク、ゲノムワイド予測フレームワークである。
dbNSFP v5.1由来のhg38ミスセンス変異体をANNOVARアノテーション、転写/タンパク質記述子、AlphaMissenseスコア、ESM由来の特徴、保存測定値、人口頻度変数、確立された病原性予測因子、工学化されたアミノ酸/コドン標識特徴と統合する。
論文 参考訳（メタデータ） (2026-05-23T11:15:53Z) - Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。
scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-02-03T16:43:40Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z)
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。