論文の概要: GeMM-GAN: A Multimodal Generative Model Conditioned on Histopathology Images and Clinical Descriptions for Gene Expression Profile Generation

• arxiv url: http://arxiv.org/abs/2601.15392v1
• Date: Wed, 21 Jan 2026 19:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.386377
• Title: GeMM-GAN: A Multimodal Generative Model Conditioned on Histopathology Images and Clinical Descriptions for Gene Expression Profile Generation
• Title（参考訳）: GeMM-GAN : 病理組織像と遺伝子発現プロファイル生成のための臨床記述に基づくマルチモーダル生成モデル
• Authors: Francesca Pia Panaccione, Carlo Sgaravatti, Pietro Pinoli,
• Abstract要約: GeMM-GANは, 組織スライドと臨床メタデータに基づいて, 現実的な遺伝子発現プロファイルを合成する新規なジェネレーティブ・アドバイサル・ネットワークである。 我々はTCGAデータセットに対する我々のアプローチを評価し、我々のフレームワークが標準生成モデルより優れ、より現実的で機能的に意味のある遺伝子発現プロファイルを生成することを示した。
• 参考スコア（独自算出の注目度）: 0.6608945629704325
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Biomedical research increasingly relies on integrating diverse data modalities, including gene expression profiles, medical images, and clinical metadata. While medical images and clinical metadata are routinely collected in clinical practice, gene expression data presents unique challenges for widespread research use, mainly due to stringent privacy regulations and costly laboratory experiments. To address these limitations, we present GeMM-GAN, a novel Generative Adversarial Network conditioned on histopathology tissue slides and clinical metadata, designed to synthesize realistic gene expression profiles. GeMM-GAN combines a Transformer Encoder for image patches with a final Cross Attention mechanism between patches and text tokens, producing a conditioning vector to guide a generative model in generating biologically coherent gene expression profiles. We evaluate our approach on the TCGA dataset and demonstrate that our framework outperforms standard generative models and generates more realistic and functionally meaningful gene expression profiles, improving by more than 11\% the accuracy on downstream disease type prediction compared to current state-of-the-art generative models. Code will be available at: https://github.com/francescapia/GeMM-GAN
• Abstract（参考訳）: 生物医学研究は、遺伝子発現プロファイル、医療画像、臨床メタデータなど、多様なデータモダリティの統合にますます依存している。 医療画像と臨床メタデータは日常的に臨床実習で収集されるが、遺伝子発現データは、主に厳格なプライバシー規制とコストのかかる実験実験のために、広く研究されるためのユニークな課題を提示する。 これらの制約に対処するために,組織スライドと臨床メタデータをベースとした新しいジェネレーティブ・アドバイサル・ネットワークであるGeMM-GANを,現実的な遺伝子発現プロファイルを合成するために提案する。 GeMM-GANは、画像パッチ用のトランスフォーマーエンコーダと、パッチとテキストトークンの間の最終的なクロスアテンション機構を組み合わせることで、生物学的に一貫性のある遺伝子発現プロファイルを生成するための生成モデルを誘導する条件付きベクトルを生成する。 我々はTCGAデータセットに対する我々のアプローチを評価し、我々のフレームワークが標準生成モデルより優れ、より現実的で機能的に意味のある遺伝子発現プロファイルを生成し、下流病型予測の精度を現在の最先端生成モデルと比較して11倍以上向上することを示した。 コードは以下の通り。 https://github.com/francescapia/GeMM-GAN

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)
• Teaching pathology foundation models to accurately predict gene expression with parameter efficient knowledge transfer [1.5416321520529301]
  PEKA(Efficient Knowledge Adaptation)は、クロスモーダルな知識伝達のための知識蒸留と構造アライメント損失を統合する新しいフレームワークである。 複数の空間転写学データセットを用いた遺伝子発現予測のためのPEKAの評価を行った。
  論文  参考訳（メタデータ） (2025-04-09T17:24:41Z)
• GAITGen: Disentangled Motion-Pathology Impaired Gait Generative Model -- Bringing Motion Generation to the Clinical Domain [6.001148593361787]
  GAITGenは、特定の病理重症度レベルに基づいて、現実的な歩行シーケンスを生成する新しいフレームワークである。 新たなPD-GaMデータセットの実験により、GAITGenは、再構成の忠実度と生成品質の両方において、適応された最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-28T13:06:45Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• MGI: Multimodal Contrastive pre-training of Genomic and Medical Imaging [16.325123491357203]
  本稿では,下流タスクにゲノムと医用画像を併用したマルチモーダル事前学習フレームワークを提案する。 我々は,マンバを遺伝子エンコーダとして,ビジョントランスフォーマー(ViT)を医用画像エンコーダとして組み合わせた,自己指導型コントラスト学習アプローチを用いて医用画像と遺伝子を調整した。
  論文  参考訳（メタデータ） (2024-06-02T06:20:45Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures [0.0]
  がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。 我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T07:16:40Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。