論文の概要: Controllable diffusion-based generation for multi-channel biological data

• arxiv url: http://arxiv.org/abs/2507.02902v1
• Date: Tue, 24 Jun 2025 00:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-13 12:05:57.496595
• Title: Controllable diffusion-based generation for multi-channel biological data
• Title（参考訳）: 多チャンネル生物データのための制御可能な拡散ベース生成
• Authors: Haoran Zhang, Mingyuan Zhou, Wesley Tansey,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.44042377817074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial profiling technologies in biology, such as imaging mass cytometry (IMC) and spatial transcriptomics (ST), generate high-dimensional, multi-channel data with strong spatial alignment and complex inter-channel relationships. Generative modeling of such data requires jointly capturing intra- and inter-channel structure, while also generalizing across arbitrary combinations of observed and missing channels for practical application. Existing diffusion-based models generally assume low-dimensional inputs (e.g., RGB images) and rely on simple conditioning mechanisms that break spatial correspondence and ignore inter-channel dependencies. This work proposes a unified diffusion framework for controllable generation over structured and spatial biological data. Our model contains two key innovations: (1) a hierarchical feature injection mechanism that enables multi-resolution conditioning on spatially aligned channels, and (2) a combination of latent-space and output-space channel-wise attention to capture inter-channel relationships. To support flexible conditioning and generalization to arbitrary subsets of observed channels, we train the model using a random masking strategy, enabling it to reconstruct missing channels from any combination of inputs. We demonstrate state-of-the-art performance across both spatial and non-spatial prediction tasks, including protein imputation in IMC and gene-to-protein prediction in single-cell datasets, and show strong generalization to unseen conditional configurations.
• Abstract（参考訳）: イメージングマスサイトメトリー(IMC)や空間転写学(ST)のような生物学における空間プロファイリング技術は、強力な空間アライメントと複雑なチャネル間関係を持つ高次元のマルチチャネルデータを生成する。 このようなデータの生成的モデリングには、チャネル内構造とチャネル間構造を併用すると同時に、観測チャネルと欠損チャネルの任意の組み合わせを応用するために一般化する必要がある。 既存の拡散モデルでは、一般に低次元入力(例えばRGB画像)を前提としており、空間的対応を破りチャネル間の依存関係を無視する単純な条件付け機構に依存している。 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。 提案モデルには,(1)空間的に整列したチャネル上でのマルチ解像度条件付けを可能にする階層的特徴注入機構,(2)チャネル間関係を捉えるために,潜在空間と出力空間のチャネルワイズの組み合わせ,の2つの重要な革新が含まれている。 観測チャネルの任意の部分集合に対するフレキシブルな条件付けと一般化を支援するため、ランダムマスキング戦略を用いてモデルを訓練し、任意の入力の組み合わせから行方不明チャネルを再構築する。 我々は,IMCにおけるタンパク質の計算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,空間的および非空間的予測タスクにおける最先端性能を実証し,未知の条件構成への強い一般化を示す。

関連論文リスト

• DFYP: A Dynamic Fusion Framework with Spectral Channel Attention and Adaptive Operator learning for Crop Yield Prediction [18.24061967822792]
  DFYPは、作物収量予測のための新しい動的融合フレームワークである。 スペクトルチャネルアテンション、エッジ適応空間モデリング、学習可能な融合機構を組み合わせる。 DFYPはRMSE、MAE、R2の最先端ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-08T10:24:04Z)
• Enhanced High-Dimensional Data Visualization through Adaptive Multi-Scale Manifold Embedding [0.7705234721762716]
  本稿では,適応型マルチスケールマニフォールド埋め込み (AMSME) アルゴリズムを提案する。 順序距離を導入することで、高次元空間における次元性の呪いの制約を克服できることが示される。 実験により,AMSMEはクラスタ内トポロジ構造を著しく保存し,クラスタ間分離を改善した。
  論文  参考訳（メタデータ） (2025-03-18T06:46:53Z)
• CMamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting [18.50360049235537]
  ステートスペースモデルであるMambaは、堅牢なシーケンスと機能ミキシング機能を備えている。 チャネル間の依存関係のキャプチャは、時系列予測のパフォーマンス向上に不可欠である。 時系列予測に適した改良されたマンバ変種を導入する。
  論文  参考訳（メタデータ） (2024-06-08T01:32:44Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)

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。