UncertainGen：用于宏基因组分箱的 DNA 序列不确定性感知表示
机器学习
2025-10-01 v1 计算工程、金融与科学
摘要
宏基因组分箱旨在将来自混合微生物样本的 DNA 片段聚类到它们各自的基因组中，这是微生物群落下游分析的关键步骤。现有方法依赖于确定性表示，例如 k-mer 频率分布或来自大语言模型的嵌入，这些方法无法捕获由物种间 DNA 共享以及具有高度相似表示的片段所引起的 DNA 序列固有的不确定性。我们提出了首个用于宏基因组分箱的概率嵌入方法 UncertainGen，将每个 DNA 片段表示为潜在空间中的概率分布。我们的方法自然地建模了序列级不确定性，并提供了关于嵌入可区分性的理论保证。该概率嵌入框架通过引入数据自适应度量扩展了可行的潜在空间，这反过来实现了对分箱/聚类更灵活的分离。在真实宏基因组数据集上的实验表明，通过为大规模宏基因组分析提供可扩展且轻量级的解决方案，该方法在分箱任务上优于确定性的 k-mer 和基于 LLM 的嵌入。
引用
@article{arxiv.2509.26116,
title = {UncertainGen: Uncertainty-Aware Representations of DNA Sequences for Metagenomic Binning},
author = {Abdulkadir Celikkanat and Andres R. Masegosa and Mads Albertsen and Thomas D. Nielsen},
journal= {arXiv preprint arXiv:2509.26116},
year = {2025}
}