論文の概要: Spatial Transcriptomics Analysis of Spatially Dense Gene Expression Prediction

• arxiv url: http://arxiv.org/abs/2503.01347v1
• Date: Mon, 03 Mar 2025 09:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:18:24.143744
• Title: Spatial Transcriptomics Analysis of Spatially Dense Gene Expression Prediction
• Title（参考訳）: 空間的高密度遺伝子発現予測の空間転写学的解析
• Authors: Ruikun Zhang, Yan Yang, Liyuan Pan,
• Abstract要約: PixNetは、様々な大きさのスポットにまたがって空間的に解決された遺伝子発現を予測し、病理画像から直接スケールできる密集した予測ネットワークである。 我々は、病理画像から高密度な連続遺伝子発現マップを生成し、興味のある場所内の値を集約し、遺伝子発現を予測する。
• 参考スコア（独自算出の注目度）: 5.822764600388809
• License:
• Abstract: Spatial transcriptomics (ST) measures gene expression at fine-grained spatial resolution, offering insights into tissue molecular landscapes. Previous methods for spatial gene expression prediction usually crop spots of interest from pathology tissue slide images, and learn a model that maps each spot to a single gene expression profile. However, it fundamentally loses spatial resolution of gene expression: 1) each spot often contains multiple cells with distinct gene expression; 2) spots are cropped at fixed resolutions, limiting the ability to predict gene expression at varying spatial scales. To address these limitations, this paper presents PixNet, a dense prediction network capable of predicting spatially resolved gene expression across spots of varying sizes and scales directly from pathology images. Different from previous methods that map individual spots to gene expression values, we generate a dense continuous gene expression map from the pathology image, and aggregate values within spots of interest to predict the gene expression. Our PixNet outperforms state-of-the-art methods on 3 common ST datasets, while showing superior performance in predicting gene expression across multiple spatial scales. The source code will be publicly available.
• Abstract（参考訳）: 空間転写学(Spatial transcriptomics、ST)は、微細な空間分解能で遺伝子発現を測定し、組織分子の景観に関する洞察を提供する。 従来の空間的遺伝子発現予測法では, 病理組織スライド画像から関心の点を抽出し, それぞれの点を単一の遺伝子発現プロファイルにマッピングするモデルを学習する。 しかし、遺伝子発現の空間分解能を根本的に失う。 1) 各部位は、しばしば、異なる遺伝子発現を持つ複数の細胞を含む。 2) 斑点は固定解像度で採集され, 空間スケールの異なる遺伝子の発現を予測できる能力が制限される。 これらの制約に対処するため, PixNetは, 空間的に解決された遺伝子発現を, 様々な大きさのスポットで予測し, 病理画像から直接スケールできる高密度な予測ネットワークである。 個々のスポットを遺伝子発現値にマッピングする従来の方法と異なり、病理画像から高密度な連続遺伝子発現マップを生成し、興味のある場所に集約して遺伝子発現を予測する。 PixNetは3つの共通のSTデータセット上で最先端の手法より優れており、複数の空間スケールで遺伝子発現を予測するのに優れた性能を示している。 ソースコードは公開されます。

関連論文リスト

• Learning to Discover Regulatory Elements for Gene Expression Prediction [59.470991831978516]
  Seq2Expは、ターゲット遺伝子発現を駆動する制御要素を発見し、抽出するために設計されたSequence to Expressionネットワークである。 本手法は, エピジェノミックシグナル, DNA 配列とその関連因子の因果関係を捉える。
  論文  参考訳（メタデータ） (2025-02-19T03:25:49Z)
• MERGE: Multi-faceted Hierarchical Graph-based GNN for Gene Expression Prediction from Whole Slide Histopathology Images [6.717786190771243]
  MERGE(Multifaceted hiErarchical gRaph for Gene Expressions)を導入し、階層グラフ構築戦略とグラフニューラルネットワーク(GNN)を組み合わせて、スライド画像全体の遺伝子発現予測を改善する。 組織像パッチを空間的特徴と形態的特徴の両方に基づいてクラスタリングすることにより,GNN学習における遠隔組織間の相互作用を促進する。 さらに,STデータ中のアーティファクトを緩和するために必要な異なるデータ平滑化技術の評価を行った。
  論文  参考訳（メタデータ） (2024-12-03T17:32:05Z)
• GeneQuery: A General QA-based Framework for Spatial Gene Expression Predictions from Histology Images [41.732831871866516]
  全スライディングヘマトキシリンとエオシン染色組織像は容易にアクセスでき、顕微鏡レベルで組織構造と組成を詳細に調べることができる。 近年の進歩は、これらの組織像を利用して、空間的に解決された遺伝子発現プロファイルを予測している。 GeneQueryは、この遺伝子発現予測タスクを質問応答(QA)方式で解決し、より汎用性と柔軟性を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-11-27T14:33:13Z)
• Spatially Resolved Gene Expression Prediction from Histology via Multi-view Graph Contrastive Learning with HSIC-bottleneck Regularization [18.554968935341236]
  本稿では,HSIC-bottleneck Regularization (ST-GCHB) を用いたマルチビューグラフ比較学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-18T03:07:25Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• ISG: I can See Your Gene Expression [13.148183268830879]
  本稿では,組織スライド画像から遺伝子発現を正確に予測することを目的とする。 このようなスライド画像は、解像度が大きく、わずかに分散したテクスチャを有する。 既存の遺伝子発現法は主に汎用成分を用いて、テクスチャレス領域をフィルタリングし、特徴を抽出し、各領域を均一に集約する。 3つの新しいモジュールによるテクスチャ境界領域からの識別的特徴間の相互作用を利用するISGフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-30T02:49:37Z)
• All You Need is Color: Image based Spatial Gene Expression Prediction using Neural Stain Learning [11.9045433112067]
  本研究では,空間的転写学的遺伝子発現プロファイルの予測のための機械学習手法を提案する。 提案手法から得られた遺伝子発現予測は,シークエンシングにより得られた真の表現値と高い相関関係を示した。
  論文  参考訳（メタデータ） (2021-08-23T23:43:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。