論文の概要: HGPRGDel: GPR-Aware Learning and Ranking for Growth-Coupled Gene Deletion Design

• arxiv url: http://arxiv.org/abs/2610.37478v1
• Date: Tue, 27 Oct 2026 16:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.275246
• Title: HGPRGDel: GPR-Aware Learning and Ranking for Growth-Coupled Gene Deletion Design
• Title（参考訳）: HGPRGDel:成長結合型遺伝子欠失設計のためのGPR対応学習とランク付け
• Abstract要約: 本稿では,各標的代謝産物の遺伝子欠失優先度を学習し,ランク付けする,成長結合型遺伝子欠失設計のためのプロトコルを提案する。 学習資源として計算処理された削除戦略を用いて、このプロトコルは連続的な削除優先度ランキングを生成する。 このプロトコルは、評価された学習構成の中で、最も高いマクロF1とAUCを達成する。
• 参考スコア（独自算出の注目度）: 1.0909000338858534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing microbial strains for growth-coupled production, in which cellular growth is linked to the synthesis of a target compound through genetic interventions, is a fundamental goal in metabolic engineering. Constraint-based methods can identify growth-coupled deletion strategies, but design for each target typically requires a separate search across a large number of possible gene-deletion combinations. This motivates a reusable approach that learns from previously evaluated strain designs to prioritize candidate interventions before downstream constraint-based evaluation. We present a reproducible protocol for growth-coupled gene deletion design that learns and ranks gene-deletion priorities for each target metabolite. Using computationally curated deletion strategies as learning resources, the protocol generates continuous deletion-priority rankings, constructs candidate strategies at adjustable search-space budgets, and evaluates these candidates through constraint-based metabolic analysis. Its learning component, HGPRGDel, explicitly represents gene-protein-reaction (GPR) logic, capturing how multiple genes can jointly support a reaction or alternative genes can maintain its activity, while integrating molecular and reaction-level information. Across e_coli_core, iMM904, and iML1515, the protocol achieves the highest macro-F1 and AUC among the evaluated learning configurations. HGPRGDel's rankings recovered an average of 90% of the reference deletion genes from MetNetComp by examining fewer genes than the evaluated baseline methods. By separating learned intervention prioritization from downstream constraint-based assessment, the protocol provides a reproducible framework for reusing strain-design knowledge while controlling the size of the candidate space and retaining mechanistic evaluation of growth-coupled production.
• Abstract（参考訳）: 遺伝子組み換えによる標的化合物の合成と細胞増殖が関連している成長結合生産のための微生物株を設計することは、代謝工学の基本的な目標である。 制約に基づく手法は、成長に結合した欠失戦略を識別することができるが、標的ごとに設計するには、通常、多くの可能な遺伝子と欠失の組み合わせを別々に検索する必要がある。 これは、下流制約に基づく評価の前に、事前評価された歪設計から学習した再利用可能なアプローチを動機付けている。 本稿では,各標的代謝産物の遺伝子欠失優先度を学習し,ランク付けする,成長結合型遺伝子欠失設計のための再現可能なプロトコルを提案する。 このプロトコルは,計算処理した削除戦略を学習資源として使用し,連続的削除優先度ランキングを生成し,調整可能な検索空間予算で候補戦略を構築し,制約に基づくメタボリック分析によりこれらの候補を評価する。 学習成分であるHGPRGDelは、遺伝子タンパク質反応(GPR)ロジックを明示的に表現し、分子レベルと反応レベルの情報を統合しながら、複数の遺伝子が反応や代替遺伝子を共同でサポートできるかをキャプチャする。 e_coli_core、iMM904、iML1515全体で、評価された学習構成の中で、最も高いマクロF1およびAUCを達成する。 HGPRGDelのランキングでは、基準欠失遺伝子の90%をMetNetCompから回収した。 下流制約に基づく評価から学習介入優先順位付けを分離することにより、このプロトコルは、候補空間のサイズを制御しつつ、成長結合生産の機械的評価を維持しつつ、歪設計知識を再利用するための再現可能なフレームワークを提供する。

関連論文リスト

• 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)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• 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)
• GraphGDel: Constructing and Learning Graph Representations of Genome-Scale Metabolic Models for Growth-Coupled Gene Deletion Prediction [1.0909000338858534]
  本稿では,制約に基づくメタボリックモデルからグラフ表現を構築するための体系的なパイプラインを提案する。 第2に,これらのグラフ表現を遺伝子およびメタボライト配列データと統合し,成長に結合した遺伝子削除戦略を予測するディープラーニングフレームワークを開発する。 我々のアプローチは確立されたベースラインを一貫して上回り、全体的な精度で14.04%、16.26%、13.18%の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-08T08:07:59Z)
• Regulatory DNA sequence Design with Reinforcement Learning [56.20290878358356]
  本稿では,強化学習を利用して事前学習した自己回帰モデルを微調整する生成手法を提案する。 2つの酵母培地条件下でのプロモーター設計タスクの評価と,3種類のヒト細胞に対するエンハンサー設計タスクの評価を行った。
  論文  参考訳（メタデータ） (2025-03-11T02:33:33Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)

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。