DevoTG: C. elegans 발달 커넥토믹스 모델링을 위한 시간적 그래프 신경망
DevoTG: Temporal Graph Neural Networks for Modeling C. elegans Developmental Connectomics
한국어 초록
신경계가 출생부터 성체까지 스스로 배선되는 방식을 이해하는 것은 발달 신경과학의 근본적인 과제이다. 우리는 시간적 그래프 신경망(TGN)을 C. elegans 신경 발달의 두 가지 상호 보완적 표현에 적용하는 시간적 그래프 프레임워크 DevoTG를 제시한다: 세포 계보 데이터에서 도출된 세포 분열 이벤트의 연속 시간 동적 그래프(CTDG)와, 8개의 재구성된 전자현미경 데이터셋에 걸쳐 발달 중인 시냅스 커넥톰의 이산 시간 동적 그래프(DTDG)이다. 계보 예측 과제에서 우리의 TGN은 평균 테스트 AUC 0.839 ± 0.007(5개 시드; 검증 AUC 0.937 ± 0.001)을 달성하며, 동일한 아키텍처의 정적 GNN을 26 AUC 포인트(0.577 ± 0.080) 차이로 능가함으로써 시간적 메모리가 결정적 요인임을 입증한다. 커넥톰 DTDG에 적용된 DevoTG는 발달 과정(L1 출생~성체)에 걸쳐 225개 뉴런과 858~2,496개 연결에서 세 가지 연결 안정성 분류(안정적, 발달적, 가변적)를 식별하며, Witvliet et al.의 개체 변이성 분류에 대한 시간적 그래프 이론적 보완을 제공한다. 허브 명령 개재뉴런 AVA, AVB, AVE에 대한 분석은 이들의 지속적인 중심성과 유충 단계 전반에 걸쳐 통합 역할이 점진적으로 강화되는 방식을 밝혀낸다. 대화형 시각화(3D 애니메이션 네트워크, 중심성 히트맵, 시공간 계보 그래프)를 통해 발달 동역학을 생물학적 가설 생성에 활용하기 쉽게 제공한다. DevoTG는 오픈 소스이며 다른 발달 중인 신경계로의 확장을 위해 설계되었다. 코드는 https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG에서 공개적으로 이용 가능하다.
원문 초록
Understanding how a nervous system wires itself from birth to adulthood is a fundamental challenge in developmental neuroscience. We present DevoTG, a temporal graph framework that applies Temporal Graph Neural Networks (TGNs) to two complementary representations of C. elegans neural development: a Continuous-Time Dynamic Graph (CTDG) of cell division events derived from cell lineage data, and a Discrete-Time Dynamic Graph (DTDG) of the developing synaptic connectome spanning eight reconstructed electron-microscopy datasets. On the lineage prediction task, our TGN achieves a mean test AUC of 0.839 +/- 0.007 (5 seeds; validation AUC 0.937 +/- 0.001), outperforming a static GNN with the identical architecture by 26 AUC points (0.577 +/- 0.080), demonstrating that temporal memory is the decisive factor. Applied to the connectome DTDG, DevoTG identifies three connection stability classes (stable, developmental, and variable) across 225 neurons and 858 to 2,496 connections over development (L1 birth to adult), providing a temporal-graph-theoretic complement to the individual-variability classification of Witvliet et al. Analysis of hub command interneurons AVA, AVB, and AVE reveals their persistent centrality and how their integration roles are progressively reinforced across larval stages. Accompanying interactive visualizations (3D animated networks, centrality heatmaps, and a spatiotemporal lineage graph) make developmental dynamics accessible for biological hypothesis generation. DevoTG is open-source and designed for extension to other developing nervous systems. Code is publicly available at https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.21940v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
소프트맥스가 버리는 것: 증거 누적을 위한 질량 인식 어텐션
What Softmax Throws Away: Mass-Aware Attention for Evidence Accumulation
높은 태스크 성능은 모델이 내부 표현에서 예측과 관련된 구조적 정보를 유지하는지 여부를 보여주지 않는다. 예를 들어, 시간 그래프 모델은 높은 future-link AUC를 달성할 수 있지만, 동일한 표현에서 기본 그래프 통계를 복원하는 것은 여전히 어렵다. 우리는 이러한 격차의 한 원인을 표준 어텐션에서 사용하는 가중 평균에서 찾는다. 증거 패턴이 반복되면 분자와 분모가 같은 속도로 증가하므로, 누적된 증거의 양이 다른 입력들이 동일한 집계값을 만들 수 있다. 우리는 표준 L1 정규화를 Lp 계열로 일반화하는 Mass-Aware Attention(MAA)을 제안한다. 반복 상황에서 MAA는 분자와 분모가 서로 다른 속도로 스케일되게 하여, 표현 크기에 기여하는 입력의 유효 개수를 표현 크기에 유지한다. MAA는 추가적인 지도, 파라미터, 은닉 차원, 또는 명시적 개수 특징을 추가하지 않으며, p=1에서 표준 어텐션을 복원한다. 4개의 연속 시간 동적 그래프 모델과 3개의 데이터셋에 걸쳐, MAA는 12개의 모델-데이터셋 셀 중 11개에서 future-link AUC를 개선한다. 동일한 은닉 표현에서의 선형 복원은 평균 4.49% 증가하며, family-wise correction 후 preferential-attachment 복원은 12개 셀 모두에서 개선된다. 또한 marked temporal point process(MTPP), temporal knowledge graph(TKG), 검색-증강 생성(RAG), 시공간 point process(STPP)에서도 일관된 증거를 관찰한다. 정보 접근성과 태스크 유용성은 여전히 구별된다. MTPP에서 NLL은 개선되지만, TKG에서는 랭킹이 대체로 유지되고, RAG의 추가 정보는 진단 헤드를 개선하지 않으며, STPP에서는 하류 LayerNorm이 신호를 지울 수 있다. 이 결과들은 MAA를 표준 어텐션에서 반복 불변성(repetition invariance)을 제어함으로써 예측기 대면 표현의 정보성을 개선하는 일반적인 정규화 원리로 자리매김한다.
향상된 인과 전방향 네트워크 재구성(RECON)
Reconstruction of Enhanced Causal Omnidirectional Network (RECON)
동역학 시스템을 학습하고 $p$개의 이산적으로 관측된 상태 궤적로부터 기저 조절 네트워크를 재구성하는 것은 여전히 어려운 문제이다. 기존 접근법은 종종 많은 수의 허위 엣지를 생성하고 여러 방법론적 한계를 겪었다. 우리는 적분 기반 가법적 비모수 ODE 모델을 활용하여 $p$개의 시계열 데이터로부터 조절 네트워크를 재구성하는 새로운 접근법인 향상된 인과 전방향 네트워크 재구성(RECON)을 제안한다. RECON은 다섯 가지 방법론적 발전을 포함한다. 첫째, 진짜 조절 엣지는 보존하면서 허위 엣지를 실질적으로 줄이는 새로운 데이터 기반 엣지 선택 절차를 포함한다. 둘째, 단순한 통계적 연관이나 노이즈 아티팩트가 아니라 인과적 조절 관계를 포착하는 전방향 네트워크를 재구성한다. 셋째, 조밀한 규칙적 및 희소한 불규칙적 종단 샘플링 시나리오를 모두 수용함으로써 표준 ODE 기반 접근법의 적용 범위를 실질적으로 넓힌다. 넷째, 노드 궤적과 엣지 조절 효과 모두를 시변 함수로 모델링하여 동적 조절 네트워크를 강조한다. 다섯째, 부호 및 가중치가 있는 조절 네트워크를 재구성하고, 양방향 방향, 활성화/억제 지표, 강도와 함께 키스톤 노드 식별 및 위상 구조를 통해 포괄적인 네트워크 해석을 제공한다. 다섯 가지 시뮬레이션 연구에서 RECON은 거의 모든 허위 엣지를 제거하면서 거의 모든 진짜 조절 엣지를 유지하여 매우 정확한 네트워크 재구성을 달성함으로써 GRADE를 일관되게 능가한다. 가장 어려운 시나리오에서 허위 엣지의 수는 239개에서 0개로 줄어든다.
Risk Graph Neural Network를 통한 인구통계 정보 기반 온열-사망 위험 곡선
Demographically-Informed Heat-Mortality Risk Curves via Risk Graph Neural Networks
온열 관련 사망 위험을 추정하는 것은 환경 역학의 핵심 과제이며, 일반적으로 분산 지연 비선형 모델(DLNM, Distributed Lag Non-linear Models)로 다룬다. DLNM은 온도-사망 시계열에 적합한 해석 가능한 노출-반응 표면(exposure-response surfaces)이다. DLNM은 효과적이지만, 온열 취약성과의 관련성이 잘 확립되어 있음에도 불구하고 인구통계학적·지리적 맥락을 무시한다. 우리는 Risk Graph Neural Networks(RGNN)를 제안한다. 이는 세분화된 인구조사(census) 특성을 사용하여 DLNM 계수 벡터를 최적화하는 계층적 GNN(그래프 신경망) 인코더로, 해석 가능한 위험 곡선 출력을 유지하면서 예측 보정(calibration)을 상당히 개선한다. 잉글랜드와 웨일스 10개 지역, 전례 없는 두 온열 연도에 걸쳐 평가한 결과, RGNN 변형은 기준선(baseline)이 붕괴하는 2022년 폭염 기간 동안 더 낮은 점 추정 오차와 거의 명목상(nominal)의 불확실성 커버리지를 모두 유지했다.
제약 다중 소스 추론을 통한 배전 시스템의 확장 가능한 토폴로지 추론
Enabling Scalable Topology Inference in Distribution Systems via Constrained Multi-Source Inference
정확한 배전 시스템 토폴로지는 정전 위치 파악, 전압 분석, 배전망 운영에 필수적이지만, 이질적이고 불완전한 전력 유틸리티 데이터로 인해 실무에서 신뢰할 수 있는 연결 기록을 유지하는 것은 여전히 어렵다. 기존 토폴로지 식별 방법은 주로 전기적 유사성 또는 공간 기록만에 의존하는 경우가 많으며, 이는 밀집된 피더와 불일치하는 메타데이터 조건에서 신뢰성을 잃는다. 본 논문은 배전 토폴로지 식별을 제약 추론 문제로 공식화하여, 공간적 실현 가능성과 물리적 운영 제약을 강제하면서 이질적 증거를 사용해 유틸리티가 제공한 기본 토폴로지를 정제한다. 처음부터 연결성을 재구성하는 대신, 제안된 프레임워크는 불일치하는 할당을 탐지하고, 확장성을 보장하기 위해 제약된 이웃 내에서 국소적 재연결을 수행하며, 물리적 실현 가능성을 반복적으로 강제하여 운영상 일관된 토폴로지 추정치를 생성한다. 또한, 반증 기반 신뢰도 지표는 대안적 실현 가능 할당 대비 각 추론된 연결이 얼마나 강하게 뒷받침되는지 평가하여, 유틸리티가 시스템 전체 관측 가능성을 유지하면서 검증 노력의 우선순위를 정할 수 있게 한다. 이 프레임워크는 미국 대형 유틸리티와 협력하여 $8{,}000$개 이상의 AMI(Advanced Metering Infrastructure) 미터로 구성된 세 개 피더의 운영 데이터를 사용해 검증되었다. 결과는 전역 추론 접근법에 비해 계산 노력을 크게 줄이면서 $95\%$ 이상의 토폴로지 재구성 정확도를 보여준다. 연구는 또한 상관관계 기반 방법만으로는 밀집된 도시 피더에서 모호한 할당을 초래하는 반면, 전기 측정과 공간·운영 제약을 결합하면 현실적인 배포 조건에서 강건하고 확장 가능한 토폴로지 복구가 가능함을 보여준다.
부호 그래프 사전학습 및 프롬프트 학습
Signed Graph Pre-Training and Prompt Learning
부호 그래프(signed graph)는 엣지가 양수이거나 음수일 수 있으며 방향성을 가질 수도 있는 신뢰-불신 네트워크, 금융 상관관계 시스템, 생물학적 상호작용 그래프 및 기타 여러 도메인에서 발생합니다. 부호 그래프 신경망이 특정 태스크에 특화된 학습(training)을 향상시켰지만, 부호 그래프에서의 그래프 전이학습(transfer learning)은 여전히 미진한 상태입니다. 본 논문에서는 부호 그래프를 위한 선구적인 위상학 기반 그래프 사전학습(pre-training) 및 프롬프트(prompt) 학습 프레임워크인 TopoSIGN을 소개합니다. TopoSIGN은 자기 부호 라플라시안(magnetic signed Laplacian)을 기반으로 구축된 구조적 인코더와 Dowker 복합체 지속성 이미지(Dowker-complex persistence images)를 통해 부호 위상을 요약하는 새로운 지속성 호몰로지(persistent-homology) 브랜치를 결합합니다. 융합된 임베딩(embedding)은 이후 프롬프트 학습 함수로 전달됩니다. 합성 및 실제 데이터셋(dataset)에 대한 실험 결과는 부호 그래프에서 유용한 구조적 정보를 추출하는 TopoSIGN의 효능뿐만 아니라, 제안된 일반 프레임워크의 적응성과 유연성을 입증합니다.
VQIL: 그래프 상의 섭동 반응 순위화를 위한 가시적 양자 간섭 학습
VQIL: Visible Quantum Interference Learning for Perturbation Response Ranking on Graphs
국소적 섭동(perturbation)이 네트워크에 미치는 영향을 학습하는 것은 시스템의 반응을 유발하거나 흡수하는 구성 요소를 식별하는 데 중요합니다. 본 연구에서는 이를 시드 조건부 반응 순위화(seed-conditioned response ranking) 문제로 정의합니다. 즉, 하나의 시드 노드(node)에서 섭동이 발생했을 때 다른 모든 노드를 반응 강도에 따라 순위화하는 것입니다. 이는 모델(model)에 상호작용 토폴로지만 주어지고 섭동이 전파되는 방식을 지배하는 메커니즘을 데이터로부터 학습해야 할 때 특히 어렵습니다. 본 논문에서는 시드 조건부 순위화를 위한 학습 가능한 세게디 양자 워크(Szegedy quantum walk)인 VQIL(Visible Quantum Interference Learning)을 제안합니다. 워크 연산자가 학습(training) 전반에 걸쳐 유니터리(unitary) 상태를 유지하는 동안, 에지 가중치, 링크 위상, 노드별 위상 회전이 역전파(backpropagation)를 통해 엔드투엔드로 최적화됩니다. 노드 점수는 양자 워크 진폭의 기하학적 감쇠 코히런트 합(coherent sum)에서 얻어지며, 이를 통해 최종 제곱 노름(squared-norm) 판독 전에 양자 간섭이 가능해집니다. 학습된 각 매개변수(parameter)는 명명된 에지 또는 노드에 연결되어 있으므로, 학습된 모델은 전파 메커니즘에서 개별 그래프 구성 요소의 역할에 대해 직접 검사 가능한 가설을 제공합니다. 전기적 매개변수를 모델에 제공하지 않은 6개 송전망에 대한 교류 조류(AC power-flow) 섭동 실험에서, VQIL은 스피어만 순위 상관계수를 학습되지 않은 워크의 0.147에서 0.831로 향상시켰으며 동일하게 학습된 무작위 워크 모델의 성능을 능가했습니다. Perturb-seq 지도 신호가 있는 5개 단백질-단백질 상호작용 네트워크에 대한 유전자 섭동 실험에서 VQIL은 순위 상관계수를 0.171에서 0.620으로 향상시켜 가장 강력한 고전적 및 신경망 기반 학습 베이스라인들을 능가했습니다. 이러한 결과는 학습 가능한 양자 워크 간섭이 그래프 상에서 시드 조건부 반응 순위를 학습하기 위한 확장 가능하고 해석 가능한 귀납적 바이어스(inductive bias)를 제공함을 보여줍니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.