論文の概要: Global Context-aware Representation Learning for Spatially Resolved Transcriptomics

• arxiv url: http://arxiv.org/abs/2506.15698v2
• Date: Mon, 23 Jun 2025 07:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 14:54:00.395187
• Title: Global Context-aware Representation Learning for Spatially Resolved Transcriptomics
• Title（参考訳）: 空間分解トランスクリプトミクスのためのグローバルコンテキスト認識表現学習
• Authors: Yunhak Oh, Junseok Lee, Yeongmin Kim, Sangwoo Seo, Namkyeong Lee, Chanyoung Park,
• Abstract要約: 複数のスポット間のグローバルな関係を捉えるために、Simisity Telescopeモジュールを導入した新しいフレームワークであるSpotscapeを提案する。 また,スライス内スポットとインタースライススポット間の距離を制御し,効率的なマルチスライス統合を実現するための類似性スケーリング戦略を提案する。
• 参考スコア（独自算出の注目度）: 19.594447007588606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatially Resolved Transcriptomics (SRT) is a cutting-edge technique that captures the spatial context of cells within tissues, enabling the study of complex biological networks. Recent graph-based methods leverage both gene expression and spatial information to identify relevant spatial domains. However, these approaches fall short in obtaining meaningful spot representations, especially for spots near spatial domain boundaries, as they heavily emphasize adjacent spots that have minimal feature differences from an anchor node. To address this, we propose Spotscape, a novel framework that introduces the Similarity Telescope module to capture global relationships between multiple spots. Additionally, we propose a similarity scaling strategy to regulate the distances between intra- and inter-slice spots, facilitating effective multi-slice integration. Extensive experiments demonstrate the superiority of Spotscape in various downstream tasks, including single-slice and multi-slice scenarios. Our code is available at the following link: https: //github.com/yunhak0/Spotscape.
• Abstract（参考訳）: 空間分解トランスクリプトミクス(SRT)は、組織内の細胞の空間的コンテキストを捉え、複雑な生物学的ネットワークの研究を可能にする最先端技術である。 最近のグラフベースの手法では、遺伝子発現と空間情報の両方を利用して関連する空間領域を同定する。 しかし、これらのアプローチは、特に空間領域境界近傍のスポットにおいて、アンカーノードと最小の特徴差を持つ隣接スポットに重点を置いているため、意味のあるスポット表現を得るには不十分である。 そこで我々は,複数のスポット間のグローバルな関係を捉えるために,Simisity Telescopeモジュールを導入した新しいフレームワークであるSpotscapeを提案する。 さらに,スライス内スポットとインタースライススポット間の距離を制御し,効率的なマルチスライス統合を実現するための類似性スケーリング戦略を提案する。 大規模な実験は、単一スライスやマルチスライスシナリオを含む、さまざまな下流タスクにおけるSpotscapeの優位性を実証している。 私たちのコードは以下のリンクで利用可能です。

関連論文リスト

• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• DiffusionNet: Discretization Agnostic Learning on Surfaces [48.658589779470454]
  本研究では,空間コミュニケーションにおいて単純な拡散層が極めて有効であるという知見に基づいて,三次元表面の深層学習に新たなアプローチを導入する。 結果として得られるネットワークは、表面の様々なサンプリングと解像度を自動的に一般化する。 主に三角形メッシュ表面に注目し, 表面分類, セグメンテーション, 非剛性対応など, 様々なタスクの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-12-01T23:24:22Z)
• Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
  本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。 ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。 親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
  論文  参考訳（メタデータ） (2020-09-26T10:28:11Z)
• Co-Saliency Spatio-Temporal Interaction Network for Person Re-Identification in Videos [85.6430597108455]
  本稿では,ビデオにおける人物の身元確認のためのCSTNet(Co-Saliency Spatio-Temporal Interaction Network)を提案する。 ビデオフレーム間の共通した有意な前景領域をキャプチャし、そのような領域からの空間的時間的長距離コンテキストの相互依存性を探索する。 CSTNet内の複数の空間的時間的相互作用モジュールを提案し,その特徴と空間的時間的情報相関の空間的・時間的長期的相互依存性を利用した。
  論文  参考訳（メタデータ） (2020-04-10T10:23:58Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。