論文の概要: IsoAlign: Isoform-Aware DNA-Protein Alignment via Joint-Embedding Predictive Architectures

• arxiv url: http://arxiv.org/abs/2611.00241v1
• Date: Fri, 30 Oct 2026 18:24:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:43:33.040781
• Title: IsoAlign: Isoform-Aware DNA-Protein Alignment via Joint-Embedding Predictive Architectures
• Title（参考訳）: IsoAlign: 結合埋め込み予測アーキテクチャによるアイソフォームを意識したDNAプロテインアライメント
• Abstract要約: ゲノム基盤モデル(GFM)はDNA配列表現を学習するための強力なパラダイムとして登場した。 既存の自己タンパク質事前学習戦略は、特殊なモデルと比較して代替のスプライシングや過小評価を見落としている。 IsoAlignはDNA認識モデルでゲノムプレトレーニングを行うマルチモーダルフレームワークである。
• 参考スコア（独自算出の注目度）: 3.6063206813706343
• License:
• Abstract: Genomic foundation models (GFMs) have emerged as a powerful paradigm for learning DNA sequence representations, yet existing self-supervised pretraining strategies overlook alternative splicing and underperform compared to specialized models. To address this gap, we introduce IsoAlign, a multimodal framework that grounds genomic pretraining in isoform-aware DNA-protein alignment to learn biologically meaningful representations. IsoAlign aligns transcripts to their corresponding protein isoforms, capturing both coding sequences and broader regulatory contexts, using two Joint-Embedding Predictive Architectures (JEPA): DNA-Protein JEPA (DP-JEPA), which predicts protein representations from DNA using contrastive alignment, and Isoform-Masked JEPA (IM-JEPA), which models relationships among alternative isoforms of the same gene through masked protein prediction. We evaluate the learned DNA representations of these architectures across a multi-metric evaluation suite spanning tasks, including the prediction of pathogenicity, fitness, gene expression, and TF binding. Our results demonstrate that isoform-aware cross-modal alignment using JEPA significantly improves functional representations and downstream performance, establishing a promising direction for GFM pretraining.
• Abstract（参考訳）: ゲノム基盤モデル(GFM)は、DNA配列の表現を学習する強力なパラダイムとして登場したが、既存の自己教師型事前学習戦略は、特殊なモデルと比較して、代替スプライシングとアンダーパフォーマンスを見落としている。 このギャップに対処するために、IsoAlignは、アイソフォームを意識したDNAタンパク質アライメントにおけるゲノムプレトレーニングに基づいて、生物学的に意味のある表現を学習するマルチモーダルフレームワークである。 DNA-Protein JEPA (DP-JEPA) は、コントラストアライメントを用いてDNAからタンパク質の表現を予測し、Isoform-Masked JEPA (IM-JEPA) は、マスクされたタンパク質予測を通じて、同じ遺伝子の他のアイソフォーム間の関係をモデル化する。 我々は,これらのアーキテクチャのDNA表現を,病原性,適合性,遺伝子発現,TF結合の予測を含む多段階的な評価スイートで評価した。 以上の結果から,JEPAを用いた異形型クロスモーダルアライメントは機能的表現や下流性能を大幅に向上させ,GFM事前訓練の有望な方向性を確立した。

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)
• Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
  両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。 Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。 また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
  論文  参考訳（メタデータ） (2026-03-30T01:54:03Z)
• JEPA-DNA: Grounding Genomic Foundation Models through Joint-Embedding Predictive Architectures [28.568482545119917]
  JEPA-DNAは、JEP-Embedding Predictive Architectureと従来の生成目的を統合した、新しい事前トレーニングフレームワークである。 また、JEPA-DNAは、生成のみのベースラインに比べて、教師付きタスクやゼロショットタスクにおいて、常に優れた性能を示すことを示す。 より堅牢で生物学的に根ざした表現を提供することにより、JEPA-DNAはゲノムアルファベットだけでなく、配列の根底にある機能論理も理解する基盤モデルへのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-02-19T08:20:51Z)
• evoBPE: Evolutionary Protein Sequence Tokenization [3.4196611972116786]
  現在のサブワードトークン化技術は主に自然言語処理のために開発されたが、タンパク質配列の複雑な構造と機能的特性を適切に表現できないことが多い。 本研究は、進化的突然変異パターンを配列分割に統合する新しいトークン化手法であるevoBPEを紹介する。 evoBPEは、タンパク質機能予測、構造モデリング、進化解析における機械学習応用の新しい可能性を開く。
  論文  参考訳（メタデータ） (2025-03-11T19:19:48Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• CoPRA: Bridging Cross-domain Pretrained Sequence Models with Complex Structures for Protein-RNA Binding Affinity Prediction [23.1499716310298]
  我々は,タンパク質-RNA結合親和性データセットPRA310を構築し,性能評価を行った。 我々は,(1)タンパク質-RNA結合親和性,(2)変異による結合親和性の変化を正確に予測できること,(3)データのスケーリングとモデルサイズによるメリットを広く分析し,検証する。
  論文  参考訳（メタデータ） (2024-08-21T09:48:22Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Unsupervisedly Prompting AlphaFold2 for Few-Shot Learning of Accurate Folding Landscape and Protein Structure Prediction [28.630603355510324]
  そこで我々は,メタ生成モデルであるEvoGenを提案し,貧弱なMSAターゲットに対するAlphaFold2のアンダーパフォーマンスを改善する。 EvoGenは、キャリブレーションまたは実質的に生成されたホモログシーケンスでモデルにプロンプトすることで、AlphaFold2を低データで正確に折り畳むのに役立つ。
  論文  参考訳（メタデータ） (2022-08-20T10:23:17Z)

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。