論文の概要: Dual-Path Knowledge-Augmented Contrastive Alignment Network for Spatially Resolved Transcriptomics

• arxiv url: http://arxiv.org/abs/2511.17685v1
• Date: Fri, 21 Nov 2025 10:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.363208
• Title: Dual-Path Knowledge-Augmented Contrastive Alignment Network for Spatially Resolved Transcriptomics
• Title（参考訳）: 空間分解トランスクリプトロミクスのためのデュアルパス知識強化コントラストアライメントネットワーク
• Authors: Wei Zhang, Jiajun Chu, Xinci Liu, Chen Tong, Xinyue Li,
• Abstract要約: コストが高いため、スライド画像全体から空間的遺伝子発現を予測する努力が進められている。 現在の手法は、高レベルの生物学的文脈の過小評価など、重大な制限に直面している。 DKAN(Dual-path Knowledge-Augmented contrastive alignment Network)を提案する。
• 参考スコア（独自算出の注目度）: 5.455957568203595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial Transcriptomics (ST) is a technology that measures gene expression profiles within tissue sections while retaining spatial context. It reveals localized gene expression patterns and tissue heterogeneity, both of which are essential for understanding disease etiology. However, its high cost has driven efforts to predict spatial gene expression from whole slide images. Despite recent advancements, current methods still face significant limitations, such as under-exploitation of high-level biological context, over-reliance on exemplar retrievals, and inadequate alignment of heterogeneous modalities. To address these challenges, we propose DKAN, a novel Dual-path Knowledge-Augmented contrastive alignment Network that predicts spatially resolved gene expression by integrating histopathological images and gene expression profiles through a biologically informed approach. Specifically, we introduce an effective gene semantic representation module that leverages the external gene database to provide additional biological insights, thereby enhancing gene expression prediction. Further, we adopt a unified, one-stage contrastive learning paradigm, seamlessly combining contrastive learning and supervised learning to eliminate reliance on exemplars, complemented with an adaptive weighting mechanism. Additionally, we propose a dual-path contrastive alignment module that employs gene semantic features as dynamic cross-modal coordinators to enable effective heterogeneous feature integration. Through extensive experiments across three public ST datasets, DKAN demonstrates superior performance over state-of-the-art models, establishing a new benchmark for spatial gene expression prediction and offering a powerful tool for advancing biological and clinical research.
• Abstract（参考訳）: 空間トランスクリプトミクス(Spatial Transcriptomics、ST)は、空間的コンテキストを維持しながら組織内の遺伝子発現プロファイルを測定する技術である。 これは、局部的な遺伝子発現パターンと組織の不均一性を明らかにし、どちらも疾患の病因を理解するのに必須である。 しかし、そのコストが高いため、スライド画像全体から空間的遺伝子発現を予測する努力が進められている。 近年の進歩にもかかわらず、現在の手法は、高レベルの生物学的文脈の過小評価、模範的検索への過度な信頼、不均一なモーダル性の整合性など、重大な制限に直面している。 これらの課題に対処するために,DKANを提案する。DKANは,生物学的に情報を得たアプローチを通じて,組織像と遺伝子発現プロファイルを統合することで,空間的に解決された遺伝子発現を予測する,新しいDual-path Knowledge-Augmented contrastive alignment Networkである。 具体的には、外部遺伝子データベースを利用した効果的な遺伝子意味表現モジュールを導入し、生物学的知見を付加し、遺伝子発現予測を強化する。 さらに,コントラスト学習と教師あり学習をシームレスに組み合わせた一段階のコントラスト学習パラダイムを採用し,適応重み付け機構を補完する。 さらに,遺伝子意味的特徴を動的クロスモーダルコーディネータとして利用し,効果的な異種機能統合を実現するデュアルパスコントラストアライメントモジュールを提案する。 3つのパブリックSTデータセットにわたる広範な実験を通じて、DKANは最先端モデルよりも優れたパフォーマンスを示し、空間遺伝子発現予測のための新しいベンチマークを確立し、生物学的および臨床研究を前進させるための強力なツールを提供する。

関連論文リスト

• HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
  HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-17T04:47:39Z)
• Gene-DML: Dual-Pathway Multi-Level Discrimination for Gene Expression Prediction from Histopathology Images [5.638556074980827]
  病理組織像からの正確な遺伝子発現予測は、分子プロファイリングに対するスケーラブルで非侵襲的なアプローチを提供する。 既存の方法では、病理組織像と遺伝子発現プロファイルの相互表現アライメントを未利用にすることがしばしばある。 我々はDual-pathway Multi-Levelの識別を通じて潜在空間を構造化する統合フレームワークであるGene-DMLを提案する。
  論文  参考訳（メタデータ） (2025-07-19T15:45:12Z)
• 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)
• 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)
• RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency [11.813883157319381]
  ランク付けに基づくアライメント損失を用いて、遺伝子と画像の特徴を整列する新しいフレームワークを提案する。 そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,アライメントの安定性をさらに向上させる。
  論文  参考訳（メタデータ） (2024-11-22T17:08:28Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• 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)

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。