論文の概要: GROVER: Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion

• arxiv url: http://arxiv.org/abs/2511.11730v1
• Date: Thu, 13 Nov 2025 06:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.184825
• Title: GROVER: Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion
• Title（参考訳）: GROVER: 適応型空間多重オミクス融合の専門規則による眼球運動のグラフ誘導表現とビジョン
• Authors: Yongjun Xiao, Dian Meng, Xinlei Huang, Yanran Liu, Shiwei Ruan, Ziyue Qiao, Xubin Zheng,
• Abstract要約: 本稿では,適応型空間マルチオミクス融合のエキスパートレギュレーションによるオミとビジョンのグラフ誘導表現を提案する。 GROVERは空間マルチオミクスデータの適応的統合のための新しいフレームワークである。 GROVERは最先端のベースラインより優れていることを示す。
• 参考スコア（独自算出の注目度）: 8.680469644745463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effectively modeling multimodal spatial omics data is critical for understanding tissue complexity and underlying biological mechanisms. While spatial transcriptomics, proteomics, and epigenomics capture molecular features, they lack pathological morphological context. Integrating these omics with histopathological images is therefore essential for comprehensive disease tissue analysis. However, substantial heterogeneity across omics, imaging, and spatial modalities poses significant challenges. Naive fusion of semantically distinct sources often leads to ambiguous representations. Additionally, the resolution mismatch between high-resolution histology images and lower-resolution sequencing spots complicates spatial alignment. Biological perturbations during sample preparation further distort modality-specific signals, hindering accurate integration. To address these challenges, we propose Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion (GROVER), a novel framework for adaptive integration of spatial multi-omics data. GROVER leverages a Graph Convolutional Network encoder based on Kolmogorov-Arnold Networks to capture the nonlinear dependencies between each modality and its associated spatial structure, thereby producing expressive, modality-specific embeddings. To align these representations, we introduce a spot-feature-pair contrastive learning strategy that explicitly optimizes the correspondence across modalities at each spot. Furthermore, we design a dynamic expert routing mechanism that adaptively selects informative modalities for each spot while suppressing noisy or low-quality inputs. Experiments on real-world spatial omics datasets demonstrate that GROVER outperforms state-of-the-art baselines, providing a robust and reliable solution for multimodal integration.
• Abstract（参考訳）: 多モード空間オミクスデータを効果的にモデル化することは、組織の複雑さと基盤となる生物学的メカニズムを理解する上で重要である。 空間転写学、プロテオミクス、エピゲノミクスは分子の特徴を捉えるが、病理形態学的文脈は欠如している。 したがって、これらのオミクスと病理像を統合することは、包括的疾患組織解析に不可欠である。 しかし、オミクス、イメージング、空間的モダリティにまたがる相当な異質性は、重大な課題となっている。 意味的に異なるソースの裸の融合は、しばしば曖昧な表現につながる。 さらに、高分解能組織像と低分解能シークエンシングスポットとの分解ミスマッチは、空間的アライメントを複雑にする。 サンプル準備中の生物学的摂動は、モダリティ固有の信号をさらに歪め、正確な統合を妨げる。 これらの課題に対処するために,空間マルチオミクスデータの適応的統合のための新しいフレームワークである適応空間マルチオミクス融合 (GROVER) のグラフ誘導表現とエキスパートレギュレーションを用いたビジョンを提案する。 GROVERは、Kolmogorov-Arnold Networksに基づくグラフ畳み込みネットワークエンコーダを利用して、各モダリティとその関連する空間構造間の非線形依存関係をキャプチャし、表現的、モダリティ固有の埋め込みを生成する。 これらの表現を整合させるために,各位置におけるモーダル間の対応を明示的に最適化する,スポット・ペア・コントラスト学習戦略を導入する。 さらに、ノイズや低品質な入力を抑えつつ、各スポットに対する情報モダリティを適応的に選択する動的専門家ルーティング機構を設計する。 実世界の空間オミクスデータセットの実験では、GROVERは最先端のベースラインよりも優れており、マルチモーダル統合のための堅牢で信頼性の高いソリューションを提供する。

関連論文リスト

• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  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)
• Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
  空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。 現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。 本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T00:32:24Z)
• PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis [1.1619559582563954]
  空間多モードオミクス解析(PRAGA)のためのPRototype-Aware Graph Adaptative Aggregationを提案する。 PRAGAは動的グラフを構築し、潜在意味関係を捉え、空間情報と特徴意味論を包括的に統合する。 学習可能なグラフ構造は、クロスモーダルな知識を学習することで摂動を損なうこともできる。
  論文  参考訳（メタデータ） (2024-09-19T12:53:29Z)
• 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)

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。