論文の概要: GeneFlow: Translation of Single-cell Gene Expression to Histopathological Images via Rectified Flow
- arxiv url: http://arxiv.org/abs/2511.00119v1
- Date: Fri, 31 Oct 2025 05:25:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.622158
- Title: GeneFlow: Translation of Single-cell Gene Expression to Histopathological Images via Rectified Flow
- Title（参考訳）: GeneFlow:rectified Flowによる単一細胞遺伝子発現の病理画像への翻訳
- Authors: Mengbo Wang, Shourya Verma, Aditya Malusare, Luopin Wang, Yiyang Lu, Vaneet Aggarwal, Mario Sola, Ananth Grama, Nadia Atallah Lanman,
- Abstract要約: そこで我々は,2つのセルイメージに転写学をマッピングする新しいフレームワークGeneFlowを構築した。
異なる染色法で高分解能画像を生成し、様々な細胞・組織構造をハイライトする。
- 参考スコア（独自算出の注目度）: 35.71809278327705
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatial transcriptomics (ST) technologies can be used to align transcriptomes with histopathological morphology, presenting exciting new opportunities for biomolecular discovery. Using ST data, we construct a novel framework, GeneFlow, to map transcriptomics onto paired cellular images. By combining an attention-based RNA encoder with a conditional UNet guided by rectified flow, we generate high-resolution images with different staining methods (e.g. H&E, DAPI) to highlight various cellular/tissue structures. Rectified flow with high-order ODE solvers creates a continuous, bijective mapping between transcriptomics and image manifolds, addressing the many-to-one relationship inherent in this problem. Our method enables the generation of realistic cellular morphology features and spatially resolved intercellular interactions from observational gene expression profiles, provides potential to incorporate genetic/chemical perturbations, and enables disease diagnosis by revealing dysregulated patterns in imaging phenotypes. Our rectified flow-based method outperforms diffusion-based baseline method in all experiments. Code can be found at https://github.com/wangmengbo/GeneFlow.
- Abstract（参考訳）: 空間転写学(ST)技術は、トランスクリプトームを病理組織学的形態と整合させ、生体分子発見のエキサイティングな新しい機会を提示するために用いられる。
そこで本研究では,STデータを用いて,転写学を2つのセルイメージにマッピングする新しいフレームワークであるGeneFlowを構築した。
注意に基づくRNAエンコーダと、整流により誘導される条件付きUNetを組み合わせることで、異なる染色法(例えばH&E、DAPI)で高分解能画像を生成し、様々な細胞・組織構造をハイライトする。
高階ODEソルバによる整流は、この問題に固有の多対一の関係に対処し、トランスクリプトミクスと画像多様体の間の連続的単射写像を生成する。
本手法は, 観察的遺伝子発現プロファイルから現実的な細胞形態特徴と空間的に解決された細胞間相互作用の生成を可能にし, 遺伝子・化学的摂動を組み込む可能性を提供し, 画像表現型における異常制御パターンを明らかにすることで, 疾患の診断を可能にする。
修正フローベース法は,全ての実験において拡散ベースライン法より優れている。
コードはhttps://github.com/wangmengbo/GeneFlowで見ることができる。
関連論文リスト
- MorphGen: Controllable and Morphologically Plausible Generative Cell-Imaging [31.990445585569688]
MorphGenは、蛍光顕微鏡のための最先端拡散ベースの生成モデルである。
蛍光チャネルの完全なセットを共同で生成し、構造体ごとに保存する。
MorphGenは、以前の最先端のMorphoDiffよりも35%低いFIDスコアを獲得している。
論文 参考訳（メタデータ） (2025-10-01T13:34:29Z) - GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。
本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。
我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
論文 参考訳（メタデータ） (2025-05-06T03:35:24Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Cross-modal Diffusion Modelling for Super-resolved Spatial Transcriptomics [5.904688354944791]
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) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳（メタデータ） (2023-01-07T18:36:44Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z)
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。