論文の概要: Data-Scarce, Multi-Granular, Multimodal: Benchmark Design for Biosynthetic Gene Clusters

• arxiv url: http://arxiv.org/abs/2611.02275v1
• Date: Sun, 01 Nov 2026 22:58:12 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:08:16.556754
• Title: Data-Scarce, Multi-Granular, Multimodal: Benchmark Design for Biosynthetic Gene Clusters
• Title（参考訳）: Data-Scarce, Multi-Granular, Multimodal: 生合成遺伝子クラスタのベンチマーク設計
• Abstract要約: 特異的代謝産物の生合成をコードする生合成遺伝子クラスター ディープラーニングはBGCシーケンスモデリングへの関心を喚起しているが、評価は遅れている。 本稿では,情報的ベンチマークを識別するベンチマーク設計フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.039609675618599
• License:
• Abstract: Biosynthetic gene clusters (BGCs) are co-located genes that encode the biosynthesis of specialized metabolites, an important source of antibiotics, anticancer agents, immunosuppressants, and agricultural bioactives. Deep learning, particularly self-supervised foundation models, has spurred interest in BGC sequence modeling, but evaluation has lagged behind: existing benchmarks often rely on coarse classification over small curated datasets, providing limited discrimination among models and insight into downstream utility. We propose a benchmark-design framework in which an informative benchmark should be discriminative, separating models with statistical confidence, and applicable, spanning scientifically meaningful tasks under different levels of generalization. We instantiate this framework as BGC-Bench, which derives five tasks from MIBiG, ranging from A-domain substrate prediction to BGC-molecule retrieval, evaluates them under genotype- and phenotype-shift splits, includes an active-learning setting for label-scarce discovery, and is easily extensible to new tasks and encoders. BGCs further provide a shared testbed across granularities and modalities: BGC-Bench compares twelve encoders on nucleotide, amino-acid, or Pfam-domain sequences, including compositional baselines for each input type, and combines BGC and chemical encoders for cross-modal retrieval. No single representation dominates: the best granularity depends on the biological scale of the task, and pretrained encoders do not consistently outperform other representations across tasks and splits. Active-learning experiments show that most tasks remain data-limited, encoder rankings change with labeling budget, and acquisition strategies yield modest gains. These results show that BGC model evaluation requires task-diverse, shift-aware benchmarks, and the framework can be generalized to benchmark design beyond BGCs.
• Abstract（参考訳）: 生合成遺伝子クラスター(英: Biosynthetic gene cluster、BGCs)は、抗生物質、抗がん剤、免疫抑制剤、農業生物活性物質の生合成をコードする遺伝子である。 既存のベンチマークは、小さなキュレートされたデータセットよりも粗い分類に依存しており、モデル間の限定的な差別と下流ユーティリティに関する洞察を提供する。 本稿では,情報的ベンチマークを識別し,統計的信頼度でモデルを分離し,科学的に意味のあるタスクを異なるレベルの一般化の下で適用するベンチマーク設計フレームワークを提案する。 我々はこのフレームワークをBGC-Benchとしてインスタンス化し、Aドメイン基板予測からBGC-molecule検索までの5つのタスクをMIBiGから導き、ジェノタイプおよび表現型シフト分割の下で評価し、ラベルスカース発見のためのアクティブラーニング設定を含み、新しいタスクやエンコーダに容易に拡張できる。 BGC-Benchはヌクレオチド、アミノ酸、またはPfamドメイン配列上の12のエンコーダを比較し、各入力タイプに対する合成ベースラインを含み、BGCと化学エンコーダを組み合わせてクロスモーダル検索を行う。 最高の粒度はタスクの生物学的スケールに依存し、事前訓練されたエンコーダはタスクと分割の間で他の表現を一貫して上回るものではない。 アクティブラーニング実験は、ほとんどのタスクがデータ制限のままであり、エンコーダのランキングはラベル付け予算とともに変化し、獲得戦略は適度な利益を得ることを示している。 これらの結果から, BGCモデルの評価にはタスクの多様性, シフト対応のベンチマークが必要であり, フレームワークは BGC 以外のベンチマーク設計に一般化可能であることが示唆された。

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)
• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• Hierarchy-Guided Multimodal Representation Learning for Taxonomic Inference [17.708423679075075]
  階層型マルチモーダル学習のためのエンドツーエンドの2つの変種を提案する。 CLiBD-HiRは階層情報正規化(HiR)を導入し、分類学レベルで埋め込み幾何学を形作る。 CLiBD-HiR-Fuseは、画像のみ、DNAのみ、または関節推論をサポートする軽量な融合予測器を訓練する。
  論文  参考訳（メタデータ） (2026-03-26T15:47:03Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
  本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。 シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。 本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
  論文  参考訳（メタデータ） (2025-09-04T15:20:13Z)
• Hyperbolic Multimodal Representation Learning for Biological Taxonomies [23.639218053531962]
  生物多様性研究における分類学的分類は、証拠に基づいて生物学的標本を構造化階層に分類することを含む。 このような階層モデルに対して,双曲型ネットワークがより良い埋め込み空間を提供できるかどうかを検討する。 提案手法は, マルチモーダルな入力を, コントラッシブと新規な重み付きエンテーメントに基づく目的を用いた共有双曲空間に埋め込む。
  論文  参考訳（メタデータ） (2025-08-22T18:52:50Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。