PAIR-Former：面向功能 miRNA 靶预测的预算化关系多实例学习
机器学习
2026-05-11 v3 人工智能
摘要
功能 miRNA-mRNA 靶向是大袋预测问题，每个转录本产生一条厚尾目标位点（CTSs）池，但仅观察到配对级别标签。先前方法在单个 CTS 评分上进行最大池化，忽略了位点间的关系模式，但建模这些模式对准确性至关重要。挑战在于，朴素的关系聚合计算复杂度为 ，当 达到数千时不可行，而廉价扫描则丢掉了驱动功能抑制的关键相互作用。我们将这种张量正式化为\emph{预算化关系多实例学习（BR-MIL）}，这是一种新的 MIL 问题，其中计算预算 作为首要约束，使得每个袋中最多有 个实例可获得昂贵的编码和关系处理。我们为 BR-MIL 建立了理论基础，证明近似质量和泛化均由 而非原始袋规模 决定。基于此理论，我们提出\textbf{PAIR-Former}，其扫描所有候选位置进行低成本筛选，选取 个多样化 CTSs，并通过 Set Transformer 聚合。PAIR-Former 在 miRAW（10 折平衡交叉验证）上实现 F1，在 deepTargetPro 转移评估中达到 ，在大规模 MTI 基准（420K 对， 规模）上实现 ，显示出在朴素方法难以企及的规模化能力。额外在 CAMELYON16 和 Musk2 上的结果表明，BR-MIL 框架超越了生物序列建模的应用范围。
引用
@article{arxiv.2602.00465,
title = {PAIR-Former: Budgeted Relational Multi-Instance Learning for Functional miRNA Target Prediction},
author = {Jiaqi Yin and Baiming Chen and Jia Fei and Mingjun Yang},
journal= {arXiv preprint arXiv:2602.00465},
year = {2026}
}
备注
Preprint. Under review. During the preprint stage, inquiries and feedback can be directed to Jiaqi Yin ([email protected])