論文の概要: Masked Omics Modeling for Multimodal Representation Learning across Histopathology and Molecular Profiles

• arxiv url: http://arxiv.org/abs/2508.00969v1
• Date: Fri, 01 Aug 2025 15:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.652141
• Title: Masked Omics Modeling for Multimodal Representation Learning across Histopathology and Molecular Profiles
• Title（参考訳）: マルチモーダル表現学習のためのマスケオミクスモデリング
• Authors: Lucas Robinet, Ahmad Berjaoui, Elizabeth Cohen-Jonathan Moyal,
• Abstract要約: 自己教師付き学習は、計算病理学に大きな進歩をもたらした。 しかし、病理組織学だけでは分子的特徴や臨床結果の理解に乏しいことが多い。 我々はMORPHEUSを紹介した。MORPHEUSは、組織学とマルチオミクスの両方のデータを共有潜在空間にエンコードする統合トランスフォーマーベースの事前学習フレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised learning has driven major advances in computational pathology by enabling models to learn rich representations from hematoxylin and eosin (H&E)-stained cancer tissue. However, histopathology alone often falls short for molecular characterization and understanding clinical outcomes, as important information is contained in high-dimensional omics profiles like transcriptomics, methylomics, or genomics. In this work, we introduce MORPHEUS, a unified transformer-based pre-training framework that encodes both histopathology and multi-omics data into a shared latent space. At its core, MORPHEUS relies on a masked modeling objective applied to randomly selected omics portions, encouraging the model to learn biologically meaningful cross-modal relationships. The same pre-trained network can be applied to histopathology alone or in combination with any subset of omics modalities, seamlessly adapting to the available inputs. Additionally, MORPHEUS enables any-to-any omics generation, enabling one or more omics profiles to be inferred from any subset of modalities, including H&E alone. Pre-trained on a large pan-cancer cohort, MORPHEUS consistently outperforms state-of-the-art methods across diverse modality combinations and tasks, positioning itself as a promising framework for developing multimodal foundation models in oncology. The code is available at: https://github.com/Lucas-rbnt/MORPHEUS
• Abstract（参考訳）: 自己教師付き学習は、モデルがヘマトキシリンとエオシン(H&E)で染色されたがん組織からリッチな表現を学べることによって、計算病理学に大きな進歩をもたらした。 しかし、病理組織学だけでは、転写学、メチルミクス、ゲノム学のような高次元のオミクスプロファイルに重要な情報が含まれているため、分子的特徴や臨床結果の理解に不足することが多い。 本稿では,MORPHEUSについて紹介する。MORPHEUSは,組織学とマルチオミクスの両方のデータを共有潜在空間にエンコードする,統一型トランスフォーマーベースの事前学習フレームワークである。 MORPHEUSの中核は、ランダムに選択されたオミクス部分に適用されるマスク付きモデリングの目的に依存しており、モデルが生物学的に意味のある相互関係を学ぶことを奨励している。 同じトレーニング済みのネットワークは、病理学のみに、またはオミクスのあらゆるサブセットと組み合わせて、利用可能な入力にシームレスに適応することができる。 さらに、MORPHEUSは任意のオミクス生成を可能にし、H&Eのみを含む任意のモダリティのサブセットから1つ以上のオミクスプロファイルを推測することができる。 大規模なパン・カンサー・コホートで事前訓練されたMORPHEUSは、様々なモダリティの組み合わせとタスクにまたがる最先端の手法を一貫して上回り、オンコロジーにおけるマルチモーダル基盤モデルを開発するための有望なフレームワークとして位置づけられている。 コードは、https://github.com/Lucas-rbnt/MORPHEUSで入手できる。

関連論文リスト

• scMamba: A Scalable Foundation Model for Single-Cell Multi-Omics Integration Beyond Highly Variable Feature Selection [5.139014238424409]
  scMambaはシングルセルのマルチオミクスデータを事前のフィーチャ選択を必要とせずに統合するために設計されたモデルである。 scMambaは、高次元のスパースシングルセルマルチオミクスデータから豊富な生物学的洞察を蒸留する。 われわれは scMamba を大規模シングルセルマルチオミクス統合の強力なツールとして位置づけた。
  論文  参考訳（メタデータ） (2025-06-25T12:58:01Z)
• CytoFM: The first cytology foundation model [3.591868126270513]
  本稿では,デジタル細胞学のための初の自己教師型基礎モデルであるCytoFMを紹介する。 我々はCytoFMをさまざまなデータセットで事前訓練し、堅牢で転送可能な表現を学習する。 以上の結果から,CytoFMは3つの下流課題のうち2つの課題において,病理組織学で事前訓練された既存の基礎モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-04-18T01:37:50Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [55.98854157265578]
  Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。 本稿では、RNAを逆転写し、アミノ酸をヌクレオチド配列に変換することで、マルチオミクスデータを統合する統一パイプラインを提案する。 Life-Codeは3つのオミクスにまたがる様々なタスクの最先端の結果を達成し、マルチオミクス分析と解釈の進歩の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-11T06:53:59Z)
• Molecular-driven Foundation Model for Oncologic Pathology [6.922502805825084]
  スライドレベルの基盤モデルであるThreadsを導入し、任意のサイズの全スライド画像の普遍的な表現を生成する。 スレッドは47,171ヘマトキシリンとエオシン(H&E)染色組織分画の多モード学習法を用いて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-01-28T02:35:02Z)
• UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
  UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。 このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。 UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
  論文  参考訳（メタデータ） (2024-09-26T12:13:52Z)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。