論文の概要: SemanticST: Spatially Informed Semantic Graph Learning for1 Clustering, Integration, and Scalable Analysis of Spatial2 Transcriptomics

• arxiv url: http://arxiv.org/abs/2506.11491v1
• Date: Fri, 13 Jun 2025 06:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.676651
• Title: SemanticST: Spatially Informed Semantic Graph Learning for1 Clustering, Integration, and Scalable Analysis of Spatial2 Transcriptomics
• Title（参考訳）: SemanticST:空間的インフォームドなセマンティックグラフ学習
• Authors: Roxana Zahedi, Ahmadreza Argha, Nona Farbehi, Ivan Bakhshayeshi, Youqiong Ye, Nigel H. Lovell, Hamid Alinejad-Rokny,
• Abstract要約: 本稿では,空間転写学解析のためのグラフベースのディープラーニングフレームワークSemanticSTを提案する。 ミニバッチトレーニングをサポートしており、Xenium(50,000セル)のような大規模データセットにスケーラブルなグラフニューラルネットワークとしては初めてのものだ。
• 参考スコア（独自算出の注目度）: 3.1403380447856426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics (ST) technologies enable gene expression profiling with spatial resolution, offering unprecedented insights into tissue organization and disease heterogeneity. However, current analysis methods often struggle with noisy data, limited scalability, and inadequate modelling of complex cellular relationships. We present SemanticST, a biologically informed, graph-based deep learning framework that models diverse cellular contexts through multi-semantic graph construction. SemanticST builds multiple context-specific graphs capturing spatial proximity, gene expression similarity, and tissue domain structure, and learns disentangled embeddings for each. These are fused using an attention-inspired strategy to yield a unified, biologically meaningful representation. A community-aware min-cut loss improves robustness over contrastive learning, particularly in sparse ST data. SemanticST supports mini-batch training, making it the first graph neural network scalable to large-scale datasets such as Xenium (500,000 cells). Benchmarking across four platforms (Visium, Slide-seq, Stereo-seq, Xenium) and multiple human and mouse tissues shows consistent 20 percentage gains in ARI, NMI, and trajectory fidelity over DeepST, GraphST, and IRIS. In re-analysis of breast cancer Xenium data, SemanticST revealed rare and clinically significant niches, including triple receptor-positive clusters, spatially distinct DCIS-to-IDC transition zones, and FOXC2 tumour-associated myoepithelial cells, suggesting non-canonical EMT programs with stem-like features. SemanticST thus provides a scalable, interpretable, and biologically grounded framework for spatial transcriptomics analysis, enabling robust discovery across tissue types and diseases, and paving the way for spatially resolved tissue atlases and next-generation precision medicine.
• Abstract（参考訳）: 空間転写学(ST)技術は、遺伝子発現プロファイリングを空間分解能で実現し、組織組織と疾患の不均一性に対する前例のない洞察を提供する。 しかし、現在の解析手法は、しばしばノイズの多いデータ、限られたスケーラビリティ、複雑なセル関係の不十分なモデリングに苦しむ。 本稿では,マルチセマンティックグラフ構築を通じて多様なセルコンテキストをモデル化する,生物学的に情報を得たグラフベースのディープラーニングフレームワークSemanticSTを提案する。 SemanticSTは、空間的近接性、遺伝子発現類似性、組織ドメイン構造をキャプチャする複数のコンテキスト固有のグラフを構築し、それぞれが絡み合った埋め込みを学ぶ。 これらは注意を喚起した戦略を用いて融合され、統一され生物学的に意味のある表現をもたらす。 コミュニティ対応のミンカット損失は、特にスパースSTデータにおいて、対照的な学習よりも堅牢性を向上させる。 SemanticSTはミニバッチトレーニングをサポートしており、Xenium(50,000セル)のような大規模データセットにスケーラブルな最初のグラフニューラルネットワークである。 4つのプラットフォーム(Visium、Slide-seq、Stereo-seq、Xenium)と複数のヒトおよびマウス組織間でのベンチマークでは、ARI、NMI、およびDeepST、GraphST、IRISのトラジェクティブ忠実度が一貫して20パーセント向上している。 乳癌Xeniumデータの再解析では, 3つの受容体陽性クラスター, 空間的に異なるDCIS-IDC転移領域, FOXC2腫瘍関連筋上皮細胞など, 稀かつ臨床的に重要なニッチがみられた。 これにより、SemanticSTは、空間転写学解析のためのスケーラブルで解釈可能な生物学的基盤のフレームワークを提供し、組織の種類や疾患をまたいだ堅牢な発見を可能にし、空間的に解決された組織アトラスや次世代の精密医療への道を開くことができる。

関連論文リスト

• PH2ST:ST-Prompt Guided Histological Hypergraph Learning for Spatial Gene Expression Prediction [9.420121324844066]
  本稿では,空間的遺伝子発現予測のためのマルチスケールな組織学的表現学習を支援するために,プロンプト誘導型ハイパーグラフ学習フレームワークPH2STを提案する。 PH2STは既存の最先端手法に勝るだけでなく、欠落点の計算、ST超解像、局所-グローバル予測などの実用的な応用にも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-21T03:10:43Z)
• Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective [19.655130697247518]
  単一細胞および空間転写学の発展は、細胞の性質、機能、相互作用を研究する能力に革命をもたらした。 しかし,単一セル・空間オミクスデータの解析は依然として困難である。 ディープラーニングは、高次元の複雑なデータを処理し、意味のあるパターンを自動的に識別できる強力なツールとして登場した。
  論文  参考訳（メタデータ） (2024-12-04T14:07:11Z)
• 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)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。