arXiv:2609.39644v2 cs.LG

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

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

Gabriele Martino, Denis Skibinski, Ivo L. Hofacker, Sebastian Tschiatschek

제출 2026-09-30

한국어 초록

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.

원문 초록

Ribosome profiling (Ribo-seq) measures ribosome distributions along mRNAs, but observed occupancy profiles also contain experiment-specific distortions and stochastic variability. Consequently, models that accurately predict measured profiles may reproduce technical effects rather than recover the underlying biology. We ask whether jointly modeling datasets collected under different experimental conditions can reveal shared, sequence-dependent patterns of ribosome occupancy. We introduce RiboUnmix, a probabilistic multi-dataset framework in which each expected measured profile is represented as a shared sequence-dependent signal modulated by a dataset-specific multiplicative factor. A negative-binomial observation model captures variability across replicates. We evaluate RiboUnmix on a controlled synthetic benchmark combining programmed translation kinetics, ribosome traffic, stochastic count sampling, and sequence-dependent experimental distortions. Because the underlying kinetics and distortions are known, recovery of the shared profile and dataset-specific effects can be assessed separately. Both inferred components correlate strongly with their targets, demonstrating that RiboUnmix can disentangle shared kinetic patterns from experimental effects. Across four organism-specific real-data benchmarks, RiboUnmix outperforms sequence-to-profile baselines in predicting measured profiles. Models trained independently on subsets of 114 HEK-derived datasets recover concordant shared profiles for held-out transcripts, and experiments varying the number and composition of training datasets show that the learned representation remains stable. RiboUnmix thus converts variation across experiments into evidence for reproducible sequence-dependent patterns of ribosome occupancy, supporting biological hypothesis generation from diverse Ribo-seq datasets.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.39644v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.38840v3cs.LG공통 태그 Representation Learning, Disentanglement

scTrilemma: 단일 세포 표현 학습에서 정체성, 불변성, 충실도의 균형 잡기

scTrilemma: Balancing Identity, Invariance, and Fidelity in Single-Cell Representation Learning

단일 세포 RNA 시퀀싱(single-cell RNA-seq) 표현 학습은 근본적으로 레이블이 없습니다(label-free). 즉, 세포 정체성(cell identity), 상태(state), 맥락(context)이 고정된 학습(training) 목표가 아니므로, 무엇이 신호(signal)이고 방해 요인(nuisance)인지는 분석 목적에 따라 달라집니다. 따라서 단일 표현은 생물학적 정체성과 상태를 보존하고, 방해 요인이 되는 맥락에 강건해야 하며, 유전자 발현 분석에 필요한 유전자 수준의 변이를 유지해야 합니다. 본 연구에서는 이 세 가지 요구 사항을 '표현 트릴레마(representation trilemma)'라고 부릅니다. 이 문제를 해결하기 위해, 모든 발현 기반 변이를 하나의 임베딩(embedding)으로 강제 통과시키는 대신 임베딩, 디코더, 사전 분포(prior)로 라우팅하는 잠재 병목 VAE인 scTrilemma를 소개합니다. scTrilemma는 단일 재구성 목표 아래에서 대상 어노테이션이나 보조 표현 손실 없이, 발현량에 따라 유전자 토큰을 게이팅하고, 세포 표현을 디코더로 라우팅하며, 레이블이 지정되지 않은 유사 벌크(pseudo-bulk) 맥락에 따라 사전 분포를 조건화합니다. 연속적인 CZ CELLxGENE Census 릴리스에 대한 릴리스 기반 제로샷(zero-shot) 평가에서, scTrilemma는 세 가지 요구 사항을 동시에 모두 선도하며 여러 질병 환경 전반에 걸쳐 생물학적 상태, 차등 발현(differential-expression) 및 경로(pathway) 구조를 보존합니다. 잠재 변수 개입(latent intervention) 실험은 다른 요구 사항에 거의 영향을 주지 않고 맥락을 제거할 수 있음을 추가로 보여주며, 정체성과 충실도 간의 관계만이 상충 관계(tension)로 남음을 입증합니다. 코드는 https://github.com/yunhak0/scTrilemma 에서 공개적으로 이용 가능합니다.

arXiv:2610.13819v1cs.LG공통 태그 Representation Learning, Disentanglement

전문가 뷰를 넘어서는 공유 정준 성분 제거

Shared Canonical Component Removal Beyond Expert Views

임상 현장에서 전문가들은 종종 결정을 내리기 전에 원시 입력(raw input)을 일련의 전문가 특징(expert feature)으로 변환하는 작업부터 시작합니다. 원시 입력을 기반으로 학습된 블랙박스 모델이 전문가 뷰(expert view)로 학습된 모델보다 우수한 성능을 보일 수 있지만, 원시 모델이 전문가 뷰가 포착하는 것 이상으로 어떤 예측 신호를 활용하는지는 여전히 불분명합니다. 본 논문에서는 공유 정준 성분 제거(Shared Canonical Component Removal, SCCR)를 사용하여 이러한 격차를 정량화하는 감사 프레임워크를 제안합니다. 표준 잔차화(residualization)나 개념 소거(concept erasure)와 달리, SCCR은 학습된 원시 임베딩과 전문가 임베딩 사이에서 강하게 공유되는 방향만을 선택적으로 제거합니다. 합성 데이터, 관상동맥 질환(CAD) 감지, 항우울제 치료 중단(dropout) 예측, 그리고 SkinCon 주석을 활용한 피부 병변 분류에 대한 평가를 통해, SCCR이 전문가 뷰가 불충분한 방식을 식별하고 전문가 뷰와의 중복성을 최소화하면서 잔여 예측 신호를 복원함을 보여줍니다.

arXiv:2610.10722v1cs.CV공통 태그 Representation Learning, Disentanglement

LinSlot: 슬롯 기반 객체 표현에서 비지도 속성 발견을 위한 선형 표현 가설의 활용

LinSlot: Exploiting Linear Representation hypothesis for unsupervised attribute discovery from slot based object representation

본 논문에서는 가공되지 않은 비정형 이미지 데이터로부터 객체와 그 속성의 얽힘 해제된 표현(disentangled representation)을 학습하는 문제를 연구합니다. 슬롯 기반(slot-based) 방식은 이미지로부터 객체 표현을 비지도 학습하는 데 있어 상당한 성과를 보여주었습니다. 블록-슬롯 어텐션 기반 방식은 객체 표현이 속성으로 균일하게 분해(factorization)된다고 가정하여 이 프레임워크를 속성 표현으로 확장하지만, 이는 차선책일 수 있으며 결과적으로 학습된 표현의 품질을 제한할 수 있습니다. 이에 따라 저자들은 객체 및 속성 표현을 공동으로 발견하기 위한 프레임워크를 조사합니다. 본 연구의 핵심 기여는 구성 가능한 개념이 슬롯 표현 내에서 선형적으로 가산적인 부분공간으로 표현될 수 있다고 가정하는 선형 표현 가설(LRH)을 활용하는 것입니다. 이러한 통찰을 바탕으로 이미지, 슬롯(객체), 블록(속성)을 연결하는 확률적 모델을 제안합니다. 또한 블록 어텐션을 활용하여 속성 표현을 슬롯에 연결하고, 객체 및 속성 표현 공간 모두에 LRH를 통합하는 아키텍처를 제시합니다. 이 아키텍처는 제안된 그래피컬 모델의 증거 하한(ELBO)을 효과적으로 최적화합니다. 실험을 통해 (i) 얽힘 해제된 객체 및 속성 표현의 효과적인 발견, (ii) 슬롯 공간에서 LRH에 대한 실증적 증거, (iii) 학습된 표현의 얽힘 해제되고 해석 가능한 특성 덕분에 이미지 편집을 수행할 수 있는 능력을 입증합니다. 여러 데이터셋에 대한 실험 결과, 기존 최고 수준(SOTA) 방식 대비 DCI 점수에서 향상된 성능을 보여줍니다.

arXiv:2610.10865v1cs.CL공통 태그 Representation Learning, Disentanglement

경로 지정 희소 오토인코더를 통한 언어적 정보와 준언어적 정보의 얽힘 분리

Disentangling Linguistic and Paralinguistic Information with Routed Sparse Autoencoders

자기지도 학습(self-supervised learning) 기반 음성 인코더는 공유되고 얽힌 표현 공간 내에 언어적 정보와 준언어적(paralinguistic) 정보를 함께 포함합니다. 본 연구에서는 TopK 희소 오토인코더(sparse autoencoder)를 경로별 지도(route-specific supervision) 및 교차 요인 적대적 학습(cross-factor adversaries)과 결합합니다. 동결된 SPEAR 및 WavLM 인코더 전반에서 독립적인 프로브(probe)를 통해 요인별 유지 및 억제를 확인했습니다. 언어적 정보는 언어 경로에서 더 강하게 유지되는 반면, 화자 신원, 감정, 운율을 포함한 준언어적 요인은 준언어 경로에 유지되고 언어 경로에서는 대폭 감소합니다. LibriSpeech에서 학습된 경로 구성은 표현 측 재학습 없이도 MSP-Podcast에서도 지속됩니다. 특징(feature) 공간에서의 경로 개입은 변경되지 않은 경로가 전달하는 정보를 대부분 보존하면서 교체된 요인을 추가로 전이합니다. 이러한 결과는 인코더, 말뭉치(corpora), 독립 프로브 및 표현 수준 개입 전반에서 일관된 경로 선택적 분리가 이루어짐을 보여줍니다.

arXiv:2609.37786v2cs.CV공통 태그 Representation Learning, Disentanglement

CHOQOLATE: 쇼케 적분을 활용한 개념 병목 잠재 공간 구조화

CHOQOLATE: Organizing Concept Bottleneck Latent Spaces with Choquet Integrals

CLIP과 같은 비전-언어(vision-language) 모델을 기반으로 구축된 개념 병목 모델(CBM)은 잠재 공간을 인간이 이해할 수 있는 개념으로 표현합니다. 그러나 이러한 표현은 신뢰성이 떨어집니다(unfaithful). 서로 연관된 개념들이 얽혀 있어(entangled) 개별 점수가 본래 의도한 의미를 제대로 반영하지 못하기 때문입니다. 본 논문에서는 상관관계가 있는 개념들을 간결한 노드로 병합하는, 2-가법적 쇼케 적분(2-additive Choquet integrals) 기반의 해석 가능 설계 층(layer)인 CHOQOLATE를 제안합니다. 네 가지 데이터셋 전반에서 CHOQOLATE는 가중치 희소성(weight-sparse)과 의미론적 일관성을 갖춘 노드를 통해 유리한 정확도-해석 가능성 트레이드오프를 달성합니다. 실험을 통해 뒷받침된 닫힌 형태(closed-form)의 그래디언트 유도는 명시적인 지도 없이도 쇼케 층이 왜 이러한 구조화를 유도하는지 설명합니다. 또한 쇼케 가중치는 샤플리 값(Shapley values)에 직접 매핑되어 테스트 시점의 개입(test-time intervention)을 가능하게 합니다. 표준 바이어스 완화 벤치마크에서, 학습 후 가짜 개념(spurious concepts)을 억제하는 방식은 그룹 주석이나 재학습이 필요한 기존 방법들과 대등한 성능을 보이면서도 이 둘 모두를 필요로 하지 않습니다.

arXiv:2610.02091v1cs.CV공통 태그 Representation Learning, Disentanglement

GeoLatent: 3D 추론을 위한 라우팅된 최적화 기반 기하학 유도 잠재 구조화

GeoLatent: Geometry-Guided Latent Structuring with Routed Optimization for 3D Reasoning

비전-언어 모델(vision-language model)의 발전에도 불구하고, 2D 이미지로부터 3D 공간 추론을 수행하는 것은 여전히 어려운 과제로 남아 있습니다. 텍스트 기반 방법들은 중간 기하학적 정보를 이산 토큰(token)으로 기술하므로 연속적인 공간 관계에 대한 충실도가 제한됩니다. 연속 잠재 변수(continuous latent)는 더 풍부한 표현을 제공하지만, 단일 유형의 잠재 변수만으로는 다양한 공간 태스크에 필요한 단서들을 명시적으로 분리하지 못합니다. 분해된 공간 잠재 변수는 기하학적 지도 하에 위치, 방향, 전역 기하학을 별도로 표현함으로써 이 문제를 다룹니다. 그러나 기하학적 표현이 여전히 하나의 지배적인 방향으로 붕괴(collapse)될 수 있으며, 제약 없는 어텐션(attention)으로 인해 답변 학습 과정에서 잠재 변수가 충분히 활용되지 못할 수 있습니다. 본 논문에서는 기하학 상태를 구조화하는 동시에 잠재 변수 매개 답변 학습을 촉진하기 위해 공통-잔차 기하학 정렬(CR-GEO)과 라우팅된 최적화(routed optimization)를 결합한 GeoLatent를 제안합니다. CR-GEO는 공유되는 교사 기하학과 잔차 교사 기하학을 분리합니다. 라우팅된 최적화는 기하학과 언어를 공동으로 학습시키고, 시각적 답변 학습 경로를 잠재 변수를 거치도록 일시적으로 유도하며, 기하학 지도와 함께 완전한 어텐션을 복원합니다. 통제된 비교 실험에서 CR-GEO는 기하학 유효 순위(effective rank)를 1.00에서 3.87로 향상시켰으며, 병목 구간에서 잠재 변수 판독을 차단했을 때 128개의 고정된 질문에서 방향 정확도가 89.1%에서 25.8%로 떨어졌습니다. 복원 후에도 차별화된 기하학적 표현과 잠재 변수 매개 시각적 경로는 직접적인 이미지 접근과 함께 유지됩니다. GeoLatent는 SPAR-Bench에서 73.0%, SPBench에서 72.1%를 달성하여 두 벤치마크 모두에서 기존에 보고된 방법들을 능가합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.