論文の概要: HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction

• arxiv url: http://arxiv.org/abs/2511.22107v1
• Date: Thu, 27 Nov 2025 04:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.398888
• Title: HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction
• Title（参考訳）: HyperST:空間的トランスクリプトークス予測のための階層的双曲型学習
• Authors: Chen Zhang, Yilu An, Ying Chen, Hao Li, Xitong Ling, Lihao Liu, Junjun He, Yuxiang Lin, Zihui Wang, Rongshan Yu,
• Abstract要約: 組織像から遺伝子発現を予測することは、高価なST技術に代わる費用対効果がある。 ハイパーボリック空間内のデータ固有の階層をモデル化し,マルチレベルな画像生成表現を学習する,ST予測のためのフレームワークHyperSTを提案する。 HyperSTは、異なる組織から4つのパブリックデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 27.112338738174614
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Spatial Transcriptomics (ST) merges the benefits of pathology images and gene expression, linking molecular profiles with tissue structure to analyze spot-level function comprehensively. Predicting gene expression from histology images is a cost-effective alternative to expensive ST technologies. However, existing methods mainly focus on spot-level image-to-gene matching but fail to leverage the full hierarchical structure of ST data, especially on the gene expression side, leading to incomplete image-gene alignment. Moreover, a challenge arises from the inherent information asymmetry: gene expression profiles contain more molecular details that may lack salient visual correlates in histological images, demanding a sophisticated representation learning approach to bridge this modality gap. We propose HyperST, a framework for ST prediction that learns multi-level image-gene representations by modeling the data's inherent hierarchy within hyperbolic space, a natural geometric setting for such structures. First, we design a Multi-Level Representation Extractors to capture both spot-level and niche-level representations from each modality, providing context-aware information beyond individual spot-level image-gene pairs. Second, a Hierarchical Hyperbolic Alignment module is introduced to unify these representations, performing spatial alignment while hierarchically structuring image and gene embeddings. This alignment strategy enriches the image representations with molecular semantics, significantly improving cross-modal prediction. HyperST achieves state-of-the-art performance on four public datasets from different tissues, paving the way for more scalable and accurate spatial transcriptomics prediction.
• Abstract（参考訳）: 空間転写学(ST)は、病理画像と遺伝子発現の利点を融合させ、分子プロファイルと組織構造をリンクさせ、スポットレベルの機能を包括的に解析する。 組織像から遺伝子発現を予測することは、高価なST技術に代わる費用対効果がある。 しかし、既存の手法は主にスポットレベルの画像対遺伝子マッチングに重点を置いているが、STデータの完全な階層構造、特に遺伝子発現側の活用に失敗し、不完全な画像対遺伝子アライメントをもたらす。 遺伝子発現プロファイルには、このモダリティギャップを橋渡しするための洗練された表現学習アプローチを要求する、健全な視覚的相関が欠如しているかもしれない、より分子的な詳細が含まれている。 本稿では,ハイパーボリック空間におけるデータ固有の階層構造をモデル化し,マルチレベル画像生成表現を学習するST予測フレームワークHyperSTを提案する。 まず、各モダリティからスポットレベルとニッチレベルの両方の表現をキャプチャするマルチレベル表現エクストラクタを設計し、個々のスポットレベルイメージジェネレーションペアを超えてコンテキスト認識情報を提供する。 第2に、これらの表現を統一するために階層的双曲アライメントモジュールを導入し、画像と遺伝子を階層的に構造化しながら空間的アライメントを行う。 このアライメント戦略は、画像表現を分子意味論で豊かにし、クロスモーダル予測を大幅に改善する。 HyperSTは、異なる組織から4つの公開データセットに対して最先端のパフォーマンスを実現し、よりスケーラブルで正確な空間転写学予測への道を開く。

関連論文リスト

• Modality Alignment across Trees on Heterogeneous Hyperbolic Manifolds [49.95082206008502]
  ツリーを横断するアライメントは、画像とテキストのモダリティの両方に対してツリーのような階層的な特徴を構築し、調整する手法である。 本稿では,中間トランスフォーマー層からの視覚的クラストークンにクロスアテンション機構を適用した意味認識型視覚特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:15Z)
• Seg4Diff: Unveiling Open-Vocabulary Segmentation in Text-to-Image Diffusion Transformers [56.76198904599581]
  テキストと画像の拡散モデルは、言語翻訳において優れているため、モーダル間の注意機構を通じて暗黙的に概念を基礎づける。 近年のマルチモーダル拡散トランスフォーマーでは, 共用画像とテキストトークンを導入し, よりリッチでスケーラブルなクロスモーダルアライメントを実現している。 MM-DiTの注意構造を分析するための体系的フレームワークであるSeg4Diffを導入し,テキストから画像への意味情報の伝達方法に着目した。
  論文  参考訳（メタデータ） (2025-09-22T17:59:54Z)
• DELST: Dual Entailment Learning for Hyperbolic Image-Gene Pretraining in Spatial Transcriptomics [38.94542898899791]
  画像生成事前学習のための階層をモデル化しながら,双曲表現を組み込む最初のフレームワークであるDELSTを提案する。 本フレームワークは,既存手法と比較して予測性能の向上を実現している。
  論文  参考訳（メタデータ） (2025-03-02T09:00:09Z)
• 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)
• Multimodal contrastive learning for spatial gene expression prediction using histology images [13.47034080678041]
  空間的トランスクリプトミクス表現予測のための Transformer と Densenet-121 エンコーダを用いたマルチモーダルコントラスト学習である textbfmclSTExp を提案する。 textbfmclSTExpは空間的遺伝子発現を予測するのに優れた性能を持つ。 がん特異的な過剰発現遺伝子を解釈し、免疫関連遺伝子を解明し、病理学者によって注釈された特別な空間領域を特定することには、有望であることが示されている。
  論文  参考訳（メタデータ） (2024-07-11T06:33:38Z)
• Spatially Resolved Gene Expression Prediction from Histology via Multi-view Graph Contrastive Learning with HSIC-bottleneck Regularization [18.554968935341236]
  本稿では,HSIC-bottleneck Regularization (ST-GCHB) を用いたマルチビューグラフ比較学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-18T03:07:25Z)
• Cross-modal Diffusion Modelling for Super-resolved Spatial Transcriptomics [5.904688354944791]
  空間転写学は、発見研究のための組織内の空間遺伝子発現を特徴づけることができる。 超高分解能アプローチは、組織像とプロファイルされた組織スポットの遺伝子発現を統合することでSTマップを強化することを約束する。 本稿では, 組織像の誘導による超解像STマップのクロスモーダル拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:01:00Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
  本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
  論文  参考訳（メタデータ） (2022-09-02T16:45:46Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。