論文の概要: HaDM-ST: Histology-Assisted Differential Modeling for Spatial Transcriptomics Generation
- arxiv url: http://arxiv.org/abs/2508.07225v1
- Date: Sun, 10 Aug 2025 08:09:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.764642
- Title: HaDM-ST: Histology-Assisted Differential Modeling for Spatial Transcriptomics Generation
- Title（参考訳）: HaDM-ST:空間転写学生成のための組織学支援微分モデリング
- Authors: Xuepeng Liu, Zheng Jiang, Pinan Zhu, Hanyu Liu, Chao Li,
- Abstract要約: 本稿では,H&E画像と低分解能STを条件とした高分解能ST生成フレームワークであるHaDM-STを提案する。
様々な組織や種にまたがる200の遺伝子に対する実験では、HDM-STは従来法よりも一貫して優れており、高分解能ST予測における空間的忠実度と遺伝子レベルのコヒーレンスを高めている。
- 参考スコア（独自算出の注目度）: 3.0708458805558347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial transcriptomics (ST) reveals spatial heterogeneity of gene expression, yet its resolution is limited by current platforms. Recent methods enhance resolution via H&E-stained histology, but three major challenges persist: (1) isolating expression-relevant features from visually complex H&E images; (2) achieving spatially precise multimodal alignment in diffusion-based frameworks; and (3) modeling gene-specific variation across expression channels. We propose HaDM-ST (Histology-assisted Differential Modeling for ST Generation), a high-resolution ST generation framework conditioned on H&E images and low-resolution ST. HaDM-ST includes: (i) a semantic distillation network to extract predictive cues from H&E; (ii) a spatial alignment module enforcing pixel-wise correspondence with low-resolution ST; and (iii) a channel-aware adversarial learner for fine-grained gene-level modeling. Experiments on 200 genes across diverse tissues and species show HaDM-ST consistently outperforms prior methods, enhancing spatial fidelity and gene-level coherence in high-resolution ST predictions.
- Abstract（参考訳）: 空間転写学(ST)は遺伝子発現の空間的不均一性を明らかにするが、その分解能は現在のプラットフォームによって制限されている。
近年,H&E-stained histology による解決法が注目されているが,(1) 視覚的に複雑なH&E画像から表現関連特徴を分離すること,(2) 拡散型フレームワークにおける空間的高精度な多モードアライメントの実現,(3) 発現チャネル間の遺伝子特異的変異のモデル化である。
H&E画像と低分解能STを条件とした高分解能ST生成フレームワークであるHDM-ST(Histology-assisted Differential Modeling for ST Generation)を提案する。
i) H&Eから予測手がかりを抽出する意味蒸留網
(ii)低分解能STとの画素ワイド対応を強制する空間アライメントモジュール、及び
三 細粒度遺伝子モデリングのためのチャネル認識型逆学習者。
様々な組織や種にまたがる200の遺伝子に対する実験では、HDM-STは従来法よりも一貫して優れており、高分解能ST予測における空間的忠実度と遺伝子レベルのコヒーレンスを高めている。
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) - Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
3次元分子生成は、薬物発見と物質科学に不可欠である。
既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。
我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
論文 参考訳（メタデータ） (2025-03-19T08:56:13Z) - 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) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - HSIGene: A Foundation Model For Hyperspectral Image Generation [46.745198868466545]
ハイパースペクトル画像(HSI)は農業や環境モニタリングなど様々な分野で重要な役割を果たしている。
高価な取得コストのため、ハイパースペクトル画像の数は制限され、下流タスクのパフォーマンスが低下する。
遅延拡散に基づく多条件制御をサポートする新しいHSI生成基盤モデルであるHSIGeneを提案する。
実験により,提案モデルでは,デノナイズや超解像といった下流タスクに対して,膨大な量の現実的なHSIを生成することができることが示された。
論文 参考訳（メタデータ） (2024-09-19T05:17:44Z) - 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) - Accurate Spatial Gene Expression Prediction by integrating Multi-resolution features [0.0]
TRIPLEXは全スライド画像(WSI)から空間的遺伝子発現を予測するための新しいディープラーニングフレームワーク
3つのパブリックSTデータセットを用いて行ったベンチマーク研究により、TRIPLEXはMean Squared Error(MSE)、Mean Absolute Error(MAE)、Pearson correlation Coefficient(PCC)において、現在の最先端モデルよりも優れていることが示された。
このモデルの予測は、がんの診断と治療の進歩におけるTRIPLEXのポテンシャルを裏付ける、基底真理遺伝子発現プロファイルや腫瘍アノテーションと密接に一致している。
論文 参考訳（メタデータ） (2024-03-12T12:25:38Z)
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。