論文の概要: Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow
- arxiv url: http://arxiv.org/abs/2511.00977v1
- Date: Sun, 02 Nov 2025 15:41:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:27.012758
- Title: Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow
- Title（参考訳）: NicheFlowを用いた空間トラノドミクスにおける微小環境軌道のモデル化
- Abstract要約: 細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。
NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
- 参考スコア（独自算出の注目度）: 80.00833033784079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the evolution of cellular microenvironments in spatiotemporal data is essential for deciphering tissue development and disease progression. While experimental techniques like spatial transcriptomics now enable high-resolution mapping of tissue organization across space and time, current methods that model cellular evolution operate at the single-cell level, overlooking the coordinated development of cellular states in a tissue. We introduce NicheFlow, a flow-based generative model that infers the temporal trajectory of cellular microenvironments across sequential spatial slides. By representing local cell neighborhoods as point clouds, NicheFlow jointly models the evolution of cell states and spatial coordinates using optimal transport and Variational Flow Matching. Our approach successfully recovers both global spatial architecture and local microenvironment composition across diverse spatiotemporal datasets, from embryonic to brain development.
- Abstract（参考訳）: 時空間データにおける細胞微小環境の進化を理解することは、組織の発生と疾患進行の解読に不可欠である。
空間転写学のような実験的な手法により、空間と時間にわたって組織組織を高分解能でマッピングできるようになったが、細胞進化をモデル化する現在の手法は、組織内の細胞状態の協調的な発達を見越して、単細胞レベルで機能している。
フローベース生成モデルであるNicheFlowを導入し, 連続した空間スライド間のセルマイクロ環境の時間的軌跡を推定する。
局所的な細胞近傍を点雲として表現することにより、NicheFlowは最適な輸送と変分フローマッチングを用いて、細胞状態と空間座標の進化を共同でモデル化する。
本手法は, 胚発生から脳発生までの様々な時空間データセットの局所的空間構造と局所的環境構成の回復に成功している。
関連論文リスト
- A Unified Geometric Framework for Developmental Analysis of Spatial Transcriptomic Data [38.40052829128497]
高分解能単一細胞および転写技術は、不均一な細胞状態のスナップショットを提供する。
時間的および空間的ダイナミクスは、独立にサンプリングされた無秩序な細胞集団から推測されなければならない。
本稿では,Gromov-Wasserstein(GW)空間への埋め込みによる遺伝子発現ネットワークの時間的進化を解析するための幾何学的枠組みを提案する。
論文 参考訳（メタデータ） (2026-08-15T16:19:58Z) - Transient State Reorganization and Cell Differentiation in the Developmental Dynamics of Growing Neural Cellular Automata [0.7498027847107155]
神経細胞オートマタ(GNCA)は、単一の種子細胞から局所的ルールを共有することで複雑な形態を発達させる。
GNCAがどのように成長するかを調べるため、訓練されたGNCAモデルの完全な発達軌跡を追究した。
論文 参考訳（メタデータ） (2026-07-17T08:04:11Z) - Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。
この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。
提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
論文 参考訳（メタデータ） (2026-06-15T18:19:17Z) - Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。
約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。
これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
論文 参考訳（メタデータ） (2026-03-26T09:46:27Z) - MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。
この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。
合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
論文 参考訳（メタデータ） (2026-03-23T20:49:45Z) - Uncovering spatial tissue domains and cell types in spatial omics through cross-scale profiling of cellular and genomic interactions [26.7111709393529]
本稿では,高速空間転写学解析の限界を克服するディープラーニングフレームワークであるCellScapeを提案する。
CellScapeは、組織空間における細胞間相互作用と細胞間のゲノム関係をモデル化し、包括的な表現を生成する。
この技術は、空間領域のセグメンテーションを改善する生物学的に有意義なパターンを明らかにする。
論文 参考訳（メタデータ） (2026-02-13T06:22:43Z) - ITC-RWKV: Interactive Tissue-Cell Modeling with Recurrent Key-Value Aggregation for Histopathological Subtyping [2.99938892718088]
本稿では,マクロ組織の特徴と集合細胞表現との相互作用をモデル化したデュアルストリームアーキテクチャを提案する。
組織と細胞間の双方向の相互作用モジュールを導入し, 局所的な細胞キューと周囲の組織環境の相互の注意を喚起する。
論文 参考訳（メタデータ） (2025-10-24T14:03:52Z) - Learning noisy tissue dynamics across time scales [0.0]
本稿では,実験映画から直接ノイズの多いマルチセルダイナミックスを推定できるバイオミメティック機械学習フレームワークを提案する。
本モデルでは,フライウイングやERK波を介する細胞信号処理など,発達系の実験的ダイナミクスを正確に生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-21T21:33:54Z) - Kuramoto Orientation Diffusion Models [67.0711709825854]
指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。
生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。
一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
論文 参考訳（メタデータ） (2025-09-18T18:18:49Z) - TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model [32.670806339139034]
本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。
本手法は, セル分布と相互作用のシミュレーションを改良し, 下流タスクにおける結果の精度と解釈可能性を高める。
論文 参考訳（メタデータ） (2024-12-08T18:02:22Z) - Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。
まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。
本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
論文 参考訳（メタデータ） (2024-11-18T05:16:11Z) - 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) - 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) - Engineering morphogenesis of cell clusters with differentiable programming [2.0690546196799042]
我々は、局所的な相互作用規則と遺伝的ネットワークを発見するために、自動分化の最近の進歩を利用する。
細胞間相互作用のパラメータを解釈可能な遺伝的ネットワークの形で学習できることが示される。
論文 参考訳（メタデータ） (2024-07-08T18:05:11Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。