論文の概要: Auxiliary Gene Learning: Spatial Gene Expression Estimation by Auxiliary Gene Selection

• arxiv url: http://arxiv.org/abs/2511.18336v1
• Date: Sun, 23 Nov 2025 08:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.786398
• Title: Auxiliary Gene Learning: Spatial Gene Expression Estimation by Auxiliary Gene Selection
• Title（参考訳）: 補助的遺伝子学習:補助的遺伝子選択による空間的遺伝子発現推定
• Authors: Kaito Shiku, Kazuya Nishimura, Shinnosuke Matsuo, Yasuhiro Kojima, Ryoma Bise,
• Abstract要約: 本稿では,その表現推定を補助的タスクとして再構成することにより,無視された遺伝子の利点を利用した補助的遺伝子学習$(AGL)を提案する。 補助遺伝子を効果的に活用するには、標的遺伝子の予測に肯定的な影響を与える補助遺伝子のサブセットを選択する必要がある。 本実験は, 補助遺伝子を組み込むことの有効性を確認し, 提案手法が従来の補助課題学習手法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）: 7.959841510571622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) is a novel technology that enables the observation of gene expression at the resolution of individual spots within pathological tissues. ST quantifies the expression of tens of thousands of genes in a tissue section; however, heavy observational noise is often introduced during measurement. In prior studies, to ensure meaningful assessment, both training and evaluation have been restricted to only a small subset of highly variable genes, and genes outside this subset have also been excluded from the training process. However, since there are likely co-expression relationships between genes, low-expression genes may still contribute to the estimation of the evaluation target. In this paper, we propose $Auxiliary \ Gene \ Learning$ (AGL) that utilizes the benefit of the ignored genes by reformulating their expression estimation as auxiliary tasks and training them jointly with the primary tasks. To effectively leverage auxiliary genes, we must select a subset of auxiliary genes that positively influence the prediction of the target genes. However, this is a challenging optimization problem due to the vast number of possible combinations. To overcome this challenge, we propose Prior-Knowledge-Based Differentiable Top-$k$ Gene Selection via Bi-level Optimization (DkGSB), a method that ranks genes by leveraging prior knowledge and relaxes the combinatorial selection problem into a differentiable top-$k$ selection problem. The experiments confirm the effectiveness of incorporating auxiliary genes and show that the proposed method outperforms conventional auxiliary task learning approaches.
• Abstract（参考訳）: 空間転写学(Spatial transcriptomics、ST)は、病理組織内の個々のスポットの分解における遺伝子発現の観察を可能にする新しい技術である。 STは組織部分における数万の遺伝子の発現を定量化するが、測定中に重い観測ノイズがしばしば導入される。 従来の研究では、有意義な評価を確保するために、訓練と評価の両方が高度に可変な遺伝子の小さなサブセットに制限されており、このサブセット以外の遺伝子もトレーニングプロセスから除外されている。 しかし、遺伝子間の共発現関係がある可能性が高いため、低発現遺伝子は評価対象の推定に寄与する可能性がある。 本稿では,それらの表現推定を補助的タスクとして再構成し,一次タスクと共同で訓練することにより,無視された遺伝子の利点を利用する「補助的 \ Gene \ Learning$ (AGL)」を提案する。 補助遺伝子を効果的に活用するには、標的遺伝子の予測に肯定的な影響を与える補助遺伝子のサブセットを選択する必要がある。 しかし、これは膨大な数の組み合わせが存在するため、難しい最適化問題である。 この課題を克服するために、事前知識を生かして遺伝子を分類し、組合せ選択問題を微分可能な上位k$選択問題に緩和する手法である、二段階最適化(DkGSB)による事前知識に基づく遺伝子選択を提案する。 本実験は, 補助遺伝子を組み込むことの有効性を確認し, 提案手法が従来の補助課題学習手法より優れていることを示す。

関連論文リスト

• 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)
• BOLIMES: Boruta and LIME optiMized fEature Selection for Gene Expression Classification [0.0937465283958018]
  BOLIMESは、遺伝子発現の分類を強化するために設計された、新しい特徴選択アルゴリズムである。 包括的特徴選択と解釈可能性による洗練を組み合わせ、高次元遺伝子発現解析のための強力なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-18T17:33:41Z)
• Survey and Improvement Strategies for Gene Prioritization with Large Language Models [61.24568051916653]
  大規模言語モデル (LLM) は, 医学検査において良好に機能しているが, 希少な遺伝疾患の診断における有効性は評価されていない。 表現型と可溶性レベルに基づいて, マルチエージェントとヒトフェノタイプオントロジー(HPO)を分類した。 ベースラインでは、GPT-4は他のLLMよりも優れており、因果遺伝子を正しくランク付けする際の精度は30%近く向上した。
  論文  参考訳（メタデータ） (2025-01-30T23:03:03Z)
• GeneQuery: A General QA-based Framework for Spatial Gene Expression Predictions from Histology Images [41.732831871866516]
  全スライディングヘマトキシリンとエオシン染色組織像は容易にアクセスでき、顕微鏡レベルで組織構造と組成を詳細に調べることができる。 近年の進歩は、これらの組織像を利用して、空間的に解決された遺伝子発現プロファイルを予測している。 GeneQueryは、この遺伝子発現予測タスクを質問応答(QA)方式で解決し、より汎用性と柔軟性を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-11-27T14:33:13Z)
• 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)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Epigenetics Algorithms: Self-Reinforcement-Attention mechanism to regulate chromosomes expression [0.0]
  本稿ではメチル化として知られるエピジェネティックス現象を模倣する新しいエピジェネティックスアルゴリズムを提案する。 エピジェネティックスアルゴリズムの斬新さは、主に注意機構と深層学習を利用しており、遺伝子/サイレンシングの概念とよく適合している。
  論文  参考訳（メタデータ） (2023-03-15T21:33:21Z)
• 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。