論文の概要: Adaptive Spatial Transcriptomics Interpolation via Cross-modal Cross-slice Modeling
- arxiv url: http://arxiv.org/abs/2505.10729v1
- Date: Thu, 15 May 2025 22:14:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:13.670341
- Title: Adaptive Spatial Transcriptomics Interpolation via Cross-modal Cross-slice Modeling
- Title（参考訳）: クロスモーダル・クロススライス・モデリングによる適応的空間トラノドミクス補間
- Authors: NingFeng Que, Xiaofei Wang, Jingjing Chen, Yixuan Jiang, Chao Li,
- Abstract要約: 空間転写学(Spatial transcriptomics、ST)は、組織コンテキスト内の空間的遺伝子プロファイリングパターンを特徴づける技法である。
本稿では, 隣接するSTスライス間の任意の中間位置において, 欠損STスライスを補間する最初の試みであるC2-STiを提案する。
- 参考スコア（独自算出の注目度）: 26.230748488216648
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial transcriptomics (ST) is a promising technique that characterizes the spatial gene profiling patterns within the tissue context. Comprehensive ST analysis depends on consecutive slices for 3D spatial insights, whereas the missing intermediate tissue sections and high costs limit the practical feasibility of generating multi-slice ST. In this paper, we propose C2-STi, the first attempt for interpolating missing ST slices at arbitrary intermediate positions between adjacent ST slices. Despite intuitive, effective ST interpolation presents significant challenges, including 1) limited continuity across heterogeneous tissue sections, 2) complex intrinsic correlation across genes, and 3) intricate cellular structures and biological semantics within each tissue section. To mitigate these challenges, in C2-STi, we design 1) a distance-aware local structural modulation module to adaptively capture cross-slice deformations and enhance positional correlations between ST slices, 2) a pyramid gene co-expression correlation module to capture multi-scale biological associations among genes, and 3) a cross-modal alignment module that integrates the ST-paired hematoxylin and eosin (H&E)-stained images to filter and align the essential cellular features across ST and H\&E images. Extensive experiments on the public dataset demonstrate our superiority over state-of-the-art approaches on both single-slice and multi-slice ST interpolation. Codes are available at https://github.com/XiaofeiWang2018/C2-STi.
- Abstract（参考訳）: 空間転写学(Spatial transcriptomics、ST)は、組織コンテキスト内の空間遺伝子プロファイリングパターンを特徴づける有望な手法である。
総合的なST解析は3次元空間的洞察の連続的なスライスに依存するが, 欠落した中組織切片と高コストは, マルチスライスST生成の実現可能性を制限する。
直感的ではあるが、効果的なST補間は重要な課題を呈する。
1) 異種組織切片の連続性に制限がある。
2)遺伝子間の複雑な内因性相関、及び
3) 組織の各部位の複雑な細胞構造と生物学的意味
これらの課題を軽減するために、私たちはC2-STiで設計します。
1) 交差スライス変形を適応的に捕捉し,STスライス間の位置相関を高める距離対応局所構造変調モジュール。
2 遺伝子間の多スケール生物学的関連を捉えるピラミッド遺伝子共発現相関モジュール及び
3)ST-paired hematoxylin と eosin-stained image を統合して,ST および H\&E 画像間で重要なセル特徴をフィルタリング・整合させるクロスモーダルアライメントモジュール。
公開データセットに関する大規模な実験は、単一スライスと複数スライスSTの補間における最先端アプローチよりも優れていることを示す。
コードはhttps://github.com/XiaofeiWang2018/C2-STiで公開されている。
関連論文リスト
- MultiST: A Cross-Attention-Based Multimodal Model for Spatial Transcriptomic [21.236918431473466]
空間トポロジ、遺伝子発現、組織形態を相互注意に基づく融合によってモデル化する統合フレームワークであるMultiSTを提案する。
提案手法をヒト大脳皮質と乳癌組織を含む2臓器にまたがる13種類のSTデータセットで評価した。
論文 参考訳（メタデータ） (2026-01-19T19:11:03Z) - HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。
HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。
これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
論文 参考訳（メタデータ） (2025-11-17T04:47:39Z) - C3-Diff: Super-resolving Spatial Transcriptomics via Cross-modal Cross-content Contrastive Diffusion Modelling [5.986183062217602]
本研究は, 組織像をガイダンスとしてST強調のために, C3-Diffと呼ばれるクロスモーダルクロスコントラスト拡散フレームワークを提案する。
STマップにおける低シークエンシング感度の問題を克服するため,特徴単位超球面上でノイズに基づく情報拡張を行う。
本稿では,STデータ不足を軽減するための動的クロスモーダル計算に基づくトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2025-11-04T13:12:25Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - SToFM: a Multi-scale Foundation Model for Spatial Transcriptomics [14.008862724608415]
空間的トランスクリプトミクスの基礎モデルの構築は、膨大な複雑なデータソースの分析を大幅に強化することができる。
マルチスケールな空間トランスクリプトミクス基礎モデルであるSToFMを提案する。
SToFMはSTスライス毎にマルチスケール情報抽出を行い、マクロ、マイクロ、遺伝子規模の情報を集約するSTサブスライスセットを構築する。
SToFMは、組織領域セマンティックセグメンテーションや細胞型アノテーションなど、さまざまな下流タスクにおいて優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-07-15T14:47:01Z) - Spatially Gene Expression Prediction using Dual-Scale Contrastive Learning [12.35331063443348]
NH2STは、空間的コンテキストと、遺伝子発現予測のための病理と遺伝子モダリティの両方を統合している。
我々のモデルは既存の手法を一貫して上回り、PCCメトリクスの20%以上を達成しています。
論文 参考訳（メタデータ） (2025-06-30T13:18:39Z) - Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。
空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-06-24T00:56:21Z) - HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。
階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。
非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
論文 参考訳（メタデータ） (2025-03-26T07:31:52Z) - DELST: Dual Entailment Learning for Hyperbolic Image-Gene Pretraining in Spatial Transcriptomics [38.94542898899791]
画像生成事前学習のための階層をモデル化しながら,双曲表現を組み込む最初のフレームワークであるDELSTを提案する。
本フレームワークは,既存手法と比較して予測性能の向上を実現している。
論文 参考訳（メタデータ） (2025-03-02T09:00:09Z) - ST-Align: A Multimodal Foundation Model for Image-Gene Alignment in Spatial Transcriptomics [6.680197957317297]
空間転写学 (Spatial transcriptomics, ST) は, 高解像度の病理像と全スライディングスケールの個々の部位における全スライディング表現プロファイルを提供する。
ST-Alignは、空間コンテキストを組み込んだ画像生成ペアを深く整合させる、ST用に設計された最初の基礎モデルである。
ST-AlignはSTコンテキストに合わせた特殊なエンコーダを採用しており、さらにマルチモーダル核融合のためのアテンションベース核融合ネットワーク(ABFN)を採用している。
論文 参考訳（メタデータ） (2024-11-25T09:15:07Z) - Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。
現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。
本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T00:32:24Z) - DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。
DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。
実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
論文 参考訳（メタデータ） (2024-10-17T17:20:24Z) - Cross-modal Diffusion Modelling for Super-resolved Spatial Transcriptomics [5.020980014307814]
空間転写学は、発見研究のための組織内の空間遺伝子発現を特徴づけることができる。
超高分解能アプローチは、組織像とプロファイルされた組織スポットの遺伝子発現を統合することでSTマップを強化することを約束する。
本稿では, 組織像の誘導による超解像STマップのクロスモーダル拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-04-19T16:01:00Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Mutual Information-driven Triple Interaction Network for Efficient Image
Dehazing [54.168567276280505]
画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。
振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。
第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
論文 参考訳（メタデータ） (2023-08-14T08:23:58Z) - SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ
Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。
4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文 参考訳（メタデータ） (2022-09-02T16:45:46Z) - Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model
for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。
Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。
フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文 参考訳（メタデータ） (2021-06-24T14:34:24Z)
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。