論文の概要: CASPER: Cross-modal Alignment of Spatial and single-cell Profiles for Expression Recovery

• arxiv url: http://arxiv.org/abs/2511.15139v1
• Date: Wed, 19 Nov 2025 05:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.648775
• Title: CASPER: Cross-modal Alignment of Spatial and single-cell Profiles for Expression Recovery
• Title（参考訳）: CASPER:表現回復のための空間および単細胞プロファイルのクロスモーダルアライメント
• Authors: Amit Kumar, Maninder Kaur, Raghvendra Mall, Sukrit Gupta,
• Abstract要約: 現在のプラットフォームは、実験的な制約と過剰なコストのために、限られた遺伝子だけを測定する。 本研究では,空間的トランスクリプトロミクスにおける未測定遺伝子発現を予測するクロスアテンションベースのフレームワークであるCASPERを提案する。
• 参考スコア（独自算出の注目度）: 4.405170201880593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial Transcriptomics enables mapping of gene expression within its native tissue context, but current platforms measure only a limited set of genes due to experimental constraints and excessive costs. To overcome this, computational models integrate Single-Cell RNA Sequencing data with Spatial Transcriptomics to predict unmeasured genes. We propose CASPER, a cross-attention based framework that predicts unmeasured gene expression in Spatial Transcriptomics by leveraging centroid-level representations from Single-Cell RNA Sequencing. We performed rigorous testing over four state-of-the-art Spatial Transcriptomics/Single-Cell RNA Sequencing dataset pairs across four existing baseline models. CASPER shows significant improvement in nine out of the twelve metrics for our experiments. This work paves the way for further work in Spatial Transcriptomics to Single-Cell RNA Sequencing modality translation. The code for CASPER is available at https://github.com/AI4Med-Lab/CASPER.
• Abstract（参考訳）: 空間トランスクリプトミクスは、そのネイティブ組織コンテキスト内での遺伝子発現のマッピングを可能にするが、現在のプラットフォームは、実験的な制約と過剰なコストのために、限られた遺伝子のセットのみを測定する。 これを解決するために、計算モデルはSpatial TranscriptomicsとSingle-Cell RNAシークエンシングデータを統合し、未測定遺伝子を予測する。 単一セルRNAシークエンシングからセントロイドレベルの表現を活用することにより,空間転写学における未測定遺伝子発現を予測するクロスアテンションベースのフレームワークであるCASPERを提案する。 既存の4つのベースラインモデルにまたがる4種類のSpatial Transcriptomics/Single-Cell RNAシークエンシングデータセットペアについて厳密な試験を行った。 CASPERでは,12項目中9項目で有意な改善が見られた。 この研究は、Spatial Transcriptomics から Single-Cell RNA Sequencing modality translation へのさらなる取り組みの道を開いた。 CASPERのコードはhttps://github.com/AI4Med-Lab/CASPERで公開されている。

関連論文リスト

• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• Benchmarking and optimizing organism wide single-cell RNA alignment methods [0.0]
  K-Neighbors Intersection (KNI) スコアは,バッチ効果をペナライズし,セル型ラベル予測の精度を計測する単一スコアである。 本稿では,逆算学習を用いて,エンコーダとデコーダのバッチ効果をペナルライズするScVIの新たな変種として,Batch Adversarial Single-cell Variational Inference (BA-scVI)を紹介した。 得られたアライメント空間では, 細胞型グルーピングの粒度が保存され, 情報を失うことなく, 有機体型マップを単一モデルで作成できるという概念が支持される。
  論文  参考訳（メタデータ） (2025-03-26T17:11:47Z)
• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain [46.39828178736219]
  我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。 scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。 これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
  論文  参考訳（メタデータ） (2023-10-04T10:30:08Z)
• Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
  エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。 伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。 非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-07-13T15:08:44Z)
• HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution [76.97231739317259]
  本稿では,ヒト参照ゲノム上に,最大100万個のトークンを単一ヌクレオチドレベルで有するゲノム基盤モデルであるHyenaDNAについて紹介する。 Nucleotide Transformerの微調整されたベンチマークでは、HyenaDNAが18のデータセットのうち12の最先端(SotA)に到達した。
  論文  参考訳（メタデータ） (2023-06-27T20:46:34Z)
• Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
  RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。 RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
  論文  参考訳（メタデータ） (2022-12-02T16:34:56Z)
• RNA Alternative Splicing Prediction with Discrete Compositional Energy Network [21.032529696347073]
  回帰タスクとしてのRNAスプライシングの予測を定式化し、学習モデルのベンチマークのための新しいトレーニングデータセット(CAPD)を構築する。 本研究では,スプライスサイト,ジャンクション,転写の階層的関係を利用した離散構成エネルギーネットワーク(DCEN)を提案する。 代替スプライシング予測の場合、DCENはその構成スプライス接合のエネルギー値を通じてmRNA転写確率をモデル化する。
  論文  参考訳（メタデータ） (2021-03-07T03:15:10Z)
• Cell Type Identification from Single-Cell Transcriptomic Data via Semi-supervised Learning [2.4271601178529063]
  シングルセルRNAシークエンシング(scRNAseq)データ解析の共通の目的は、シングルセル転写データからの細胞型同定である。 ラベルなしの scRNAseq 細胞とラベル付き scRNAseq 細胞を限定的に使用して細胞識別を行う半教師付き学習モデルを提案する。 提案手法は, ラベル付きcRNAseq細胞を極端に限定して学習することで, 高い性能を達成できることが観察された。
  論文  参考訳（メタデータ） (2020-05-06T19:15:43Z)

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。