PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.39644v2cs.LG

RiboUnmix: 편향되고 노이즈가 있는 Ribo-seq 측정값으로부터 공유된 번역 동역학 학습

RiboUnmix: Learning Shared Translational Dynamics from Biased and Noisy Ribo-seq Measurements

리보솜 프로파일링(Ribo-seq)은 mRNA를 따른 리보솜 분포를 측정하지만, 관측된 점유 프로파일에는 실험별 왜곡과 확률적 변동성도 포함되어 있습니다. 결과적으로 측정된 프로파일을 정확하게 예측하는 모델은 근본적인 생물학적 특성을 복원하기보다 기술적 효과를 재현할 수 있습니다. 본 연구에서는 서로 다른 실험 조건에서 수집된 데이터셋을 결합하여 모델링함으로써 리보솜 점유의 공유된 서열 의존적 패턴을 밝혀낼 수 있는지 묻습니다. 우리는 각 기대 측정 프로파일을 데이터셋별 곱셈 계수로 변조된 공유 서열 의존적 신호로 표현하는 확률적 다중 데이터셋 프레임워크인 RiboUnmix를 소개합니다. 음이항(negative-binomial) 관측 모델은 반복 실험 간의 변동성을 포착합니다. 프로그램된 번역 동역학, 리보솜 트래픽, 확률적 카운트 샘플링, 서열 의존적 실험 왜곡을 결합한 통제된 합성 벤치마크에서 RiboUnmix를 평가합니다. 근본적인 동역학과 왜곡이 알려져 있으므로 공유 프로파일의 복원과 데이터셋별 효과를 개별적으로 평가할 수 있습니다. 추론된 두 구성 요소는 모두 목표값과 강한 상관관계를 보이며, 이는 RiboUnmix가 실험적 효과로부터 공유된 동역학 패턴을 분리해낼 수 있음을 입증합니다. 4개의 유기체별 실제 데이터 벤치마크 전반에서 RiboUnmix는 측정된 프로파일을 예측하는 데 있어 sequence-to-profile 베이스라인을 능가합니다. 114개의 HEK 유래 데이터셋 하위 집합에서 독립적으로 학습된 모델은 유보된(held-out) 전사체에 대해 일치하는 공유 프로파일을 복원하며, 학습 데이터셋의 수와 구성을 달리하는 실험을 통해 학습된 표현이 안정적으로 유지됨을 보여줍니다. 따라서 RiboUnmix는 실험 간의 변동을 재현 가능한 서열 의존적 리보솜 점유 패턴에 대한 증거로 전환하여, 다양한 Ribo-seq 데이터셋으로부터 생물학적 가설을 생성하는 것을 지원합니다.