論文の概要: Learning Relative Gene Expression Trends from Pathology Images in Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2512.06612v1
• Date: Sun, 07 Dec 2025 01:05:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.431069
• Title: Learning Relative Gene Expression Trends from Pathology Images in Spatial Transcriptomics
• Title（参考訳）: 空間転写学における病理画像からの相対的遺伝子発現傾向の学習
• Authors: Kazuya Nishimura, Haruka Hirose, Ryoma Bise, Kaito Shiku, Yasuhiro Kojima,
• Abstract要約: 病理画像からの遺伝子発現推定はRNAシークエンシングコストを低減する可能性がある。 ポイントワイズ損失関数は、予測された遺伝子発現値と絶対的な遺伝子発現値との差を最小限にするために広く用いられている。 本稿では,絶対レベルではなく,相対的な表現パターンを学習する新たな目的を提案する。
• 参考スコア（独自算出の注目度）: 5.132575400259298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gene expression estimation from pathology images has the potential to reduce the RNA sequencing cost. Point-wise loss functions have been widely used to minimize the discrepancy between predicted and absolute gene expression values. However, due to the complexity of the sequencing techniques and intrinsic variability across cells, the observed gene expression contains stochastic noise and batch effects, and estimating the absolute expression values accurately remains a significant challenge. To mitigate this, we propose a novel objective of learning relative expression patterns rather than absolute levels. We assume that the relative expression levels of genes exhibit consistent patterns across independent experiments, even when absolute expression values are affected by batch effects and stochastic noise in tissue samples. Based on the assumption, we model the relation and propose a novel loss function called STRank that is robust to noise and batch effects. Experiments using synthetic datasets and real datasets demonstrate the effectiveness of the proposed method. The code is available at https://github.com/naivete5656/STRank.
• Abstract（参考訳）: 病理画像からの遺伝子発現推定はRNAシークエンシングコストを低減する可能性がある。 ポイントワイズ損失関数は、予測された遺伝子発現値と絶対的な遺伝子発現値との差を最小限にするために広く用いられている。 しかし, 細胞間におけるシークエンシング手法の複雑化と内在的変動のため, 観察された遺伝子発現には確率的ノイズとバッチ効果が含まれており, 絶対的発現値を正確に推定することは重要な課題である。 これを軽減するために,絶対レベルではなく,相対的な表現パターンを学習する新たな目的を提案する。 組織試料のバッチ効果や確率ノイズによって絶対的な発現値が影響を受ける場合であっても,遺伝子の発現レベルは独立した実験で一貫したパターンを示すと仮定する。 この仮定に基づいて,ノイズやバッチ効果に頑健なstrankと呼ばれる新しい損失関数を提案する。 合成データセットと実データセットを用いた実験により,提案手法の有効性が示された。 コードはhttps://github.com/naivete5656/STRank.comで公開されている。

関連論文リスト

• GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
  GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。 我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。 GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2025-10-05T18:28:21Z)
• A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics [8.854289521774483]
  HESCAPEは空間転写学におけるクロスモーダルコントラスト事前学習の評価のためのベンチマークである。 空間転写学データに事前訓練された遺伝子モデルは、空間データや単純なベースラインアプローチなしで訓練された遺伝子よりも優れている。 バッチ効果は、効果的なクロスモーダルアライメントを阻害する重要な要因である。
  論文  参考訳（メタデータ） (2025-08-02T21:11:36Z)
• Modeling Gene Expression Distributional Shifts for Unseen Genetic Perturbations [44.619690829431214]
  遺伝的摂動に伴う遺伝子発現の分布応答を予測するニューラルネットワークを訓練する。 本モデルでは, 摂動を条件とした遺伝子レベルのヒストグラムを予測し, 高次統計値の取得において, 基準値よりも優れていた。
  論文  参考訳（メタデータ） (2025-07-01T06:04:28Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• 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)
• Robust Multi-view Co-expression Network Inference [8.697303234009528]
  トランスクリプトームデータから遺伝子共発現ネットワークを推定することは、多くの課題をもたらす。 複数の独立研究から高次元グラフ推論のためのロバストな手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T06:30:09Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)

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。