L'apprendimento curriculare evolutivo migliora la modellazione delle sequenze biologiche
Un recente preprint su arXiv (2608.00697) presenta un nuovo approccio chiamato Apprendimento Curriculare Evolutivo (ECL), progettato per l'addestramento di autoencoder variazionali (VAE) nel contesto della modellazione di sequenze biologiche. A differenza dell'addestramento VAE tradizionale, che tratta le sequenze come intercambiabili e trascura le connessioni evolutive, l'ECL utilizza quadri evolutivi introducendo gradualmente sequenze sempre più distanti da ancore selezionate, seguendo un modello di espansione a legge di potenza. Quando implementato in due VAE—EVE per la previsione degli effetti delle varianti proteiche e RfamGen per la generazione di sequenze di famiglie di RNA—l'ECL migliora le prestazioni nei compiti a valle in cinque configurazioni di seed casuali. Questo metodo affronta sfide significative nei modelli generativi per sequenze biologiche, con implicazioni per la previsione di malattie e la progettazione di RNA. Il team di ricerca ha reso disponibile l'articolo su arXiv.
Fatti principali
- L'articolo arXiv:2608.00697 introduce l'Apprendimento Curriculare Evolutivo (ECL).
- L'ECL è una strategia di addestramento per autoencoder variazionali (VAE) su allineamenti di sequenze multiple (MSA).
- L'addestramento VAE standard tratta le sequenze come intercambiabili, ignorando la struttura evolutiva.
- L'ECL espone progressivamente il modello a sequenze con distanza evolutiva crescente dalle ancore.
- L'ECL utilizza un programma di espansione a legge di potenza.
- L'ECL è stato applicato a due VAE: EVE (previsione degli effetti delle varianti proteiche) e RfamGen (generazione di sequenze di famiglie di RNA).
- L'ECL ha migliorato le prestazioni nei compiti a valle in cinque seed casuali per configurazione.
- L'articolo è disponibile su arXiv.
Entità
Istituzioni
- arXiv