論文の概要: TaxoMFM: A Taxonomy-Aware Foundation Model for the Human Gut Microbiome

• arxiv url: http://arxiv.org/abs/2610.39316v2
• Date: Fri, 30 Oct 2026 08:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.422061
• Title: TaxoMFM: A Taxonomy-Aware Foundation Model for the Human Gut Microbiome
• Title（参考訳）: TaxoMFM:ヒトグットマイクロバイオームの分類・認識基盤モデル
• Abstract要約: TaxoMFMは、分類学的構造を自己教師付き学習に統合する微生物基盤モデルである。 TaxoGut-HPPは、231個のソースコホートから100,806個の腸内マイクロバイオームプロファイルを持つ。 TaxoMFMは、疾患、腸の健康、宿主の形質、肝の超音波の表現型を予測する。
• 参考スコア（独自算出の注目度）: 21.36240040474053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing gut microbiome foundation models typically use flat taxon representations, limiting their ability to exploit known taxonomic hierarchies. We introduce TaxoMFM, a microbiome foundation model that integrates taxonomic structure into self-supervised learning. TaxoMFM jointly learns abundance patterns across taxonomic ranks and relative proportions within groups through taxonomy-aware encoding and hierarchical compositional reconstruction. We further construct TaxoGut-HPP, comprising 100,806 gut microbiome profiles from 231 source cohorts and covering 40 classification and 8 regression tasks. TaxoMFM achieves competitive performance across disease, gut health, host trait, and liver ultrasound phenotype prediction. In cross-cohort zero-shot transfer, where target cohorts are excluded from both pretraining and downstream adaptation, TaxoMFM achieves AUROCs of 0.838, 0.736, and 0.722 for colorectal cancer, type 2 diabetes, and inflammatory bowel disease, respectively. Further analyses show that TaxoMFM recovers community changes across taxonomic scales, while preserving community information and producing consistent representations under database updates and species-vocabulary shifts. Our code is available at https://anonymous.4open.science/r/TaxoMFM-F16D/.
• Abstract（参考訳）: 既存の腸内マイクロバイオーム基盤モデルは一般に平らな分類群表現を使用し、既知の分類学的階層を活用できる能力を制限する。 微生物基盤モデルであるTaxoMFMを紹介する。 TaxoMFMは、分類学的エンコーディングと階層的な構成再構成を通じて、グループ内の分類学的ランクと相対比率の豊富なパターンを共同で学習する。 さらにTaxoGut-HPPを構築し、231個のソースコホートから100,806個のマイクロバイオームプロファイルを作成し、40個の分類と8個の回帰タスクをカバーした。 TaxoMFMは、疾患、腸の健康、宿主の形質、肝の超音波の表現型を予測する。 目標コホートが事前訓練と下流適応の両方から除外されるクロスコホートゼロショット転送では、TaxoMFMは大腸癌、2型糖尿病、炎症性腸疾患に対してそれぞれ0.838、0.736、0.722のAUROCを達成している。 さらに分析したところ,TaxoMFMは,データベース更新と種-語彙シフトの下で,コミュニティ情報を保存し,一貫した表現を生成するとともに,分類学的スケールでコミュニティの変化を回復することが示された。 私たちのコードはhttps://anonymous.4open.science/r/TaxoMFM-F16D/で利用可能です。

関連論文リスト

• HyperTaxa: Multiscale Genome Representations for Generalized Microbial Taxonomic Inference [0.36944296923226316]
  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。
  論文  参考訳（メタデータ） (2026-10-19T02:23:42Z)
• 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)
• ViroBench: Benchmarking Nucleotide Foundation Models on Viral Genomics Tasks [86.89727311669937]
  我々は、ヌクレオチド基礎モデル(NFM)に特化して設計された最初の包括的かつ大規模ベンチマークであるViroBenchを紹介する。 ViroBench氏は、生物学的理解と潜伏するバイオセキュリティリスクという、2つの重要な側面にわたるモデルを評価し、4つのタスクタイプ内の18のさまざまなシナリオをカバーしている。 ViroBenchは、ウイルスヌクレオチド基盤モデルの研究のための解釈可能、診断的評価および再現可能な測定フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-25T03:31:46Z)
• 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)
• Hierarchical Deep Learning for Diatom Image Classification: A Multi-Level Taxonomic Approach [0.0]
  階層型畳み込みネットワークであるDiatomNet(H-COFGS)を紹介する。 82種を対象とする1,456個の珪藻画像のフィルタリングデータセットを用いて,同一条件下での階層モデルと平坦モデルを比較した。 H-COFGSは種レベルでの平坦な基準線(69.4%の精度)と一致し、全ての上層部の分類学的レベルよりも優れている。
  論文  参考訳（メタデータ） (2025-12-07T01:06:13Z)
• Do I look like a `cat.n.01` to you? A Taxonomy Image Generation Benchmark [63.97125827026949]
  本稿では、ゼロショット設定でテキスト・ツー・イメージ・モデルを用いて分類概念の画像を生成する可能性について検討する。 分類概念を理解し、関連する高品質の画像を生成するモデルの能力を評価するベンチマークが提案されている。 9つの新しい分類関連テキスト・ツー・イメージ・メトリクスと人間のフィードバックを用いて12のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-13T13:37:54Z)
• Application of data engineering approaches to address challenges in microbiome data for optimal medical decision-making [0.0]
  この研究は、マイクロバイオームのデータセットに固有の問題に対処し、パーソナライズされた医療を提供するのに非常に有益である可能性がある。 この研究で使用されたプロトタイプは、マイクロバイオームのデータセットに固有の問題に対処し、パーソナライズされた医療を提供するのに非常に有益である。
  論文  参考訳（メタデータ） (2023-06-30T05:36:39Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。