論文の概要: HistoPrism: Unlocking Functional Pathway Analysis from Pan-Cancer Histology via Gene Expression Prediction

• arxiv url: http://arxiv.org/abs/2601.21560v1
• Date: Thu, 29 Jan 2026 11:25:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.763153
• Title: HistoPrism: Unlocking Functional Pathway Analysis from Pan-Cancer Histology via Gene Expression Prediction
• Title（参考訳）: HistoPrism: 遺伝子発現予測によるパンカウンサー組織からの機能的経路解析
• Authors: Susu Hu, Qinghe Zeng, Nithya Bhasker, Jakob Nicolas Kather, Stefanie Speidel,
• Abstract要約: HistoPrismは、組織学からの遺伝子発現のパン・カンサー予測のための効率的なトランスフォーマーベースのアーキテクチャである。 経路レベルのベンチマークは、単離された遺伝子レベルの分散からコヒーレントな機能的経路への評価をシフトさせる。
• 参考スコア（独自算出の注目度）: 1.8272035944646765
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting spatial gene expression from H&E histology offers a scalable and clinically accessible alternative to sequencing, but realizing clinical impact requires models that generalize across cancer types and capture biologically coherent signals. Prior work is often limited to per-cancer settings and variance-based evaluation, leaving functional relevance underexplored. We introduce HistoPrism, an efficient transformer-based architecture for pan-cancer prediction of gene expression from histology. To evaluate biological meaning, we introduce a pathway-level benchmark, shifting assessment from isolated gene-level variance to coherent functional pathways. HistoPrism not only surpasses prior state-of-the-art models on highly variable genes , but also more importantly, achieves substantial gains on pathway-level prediction, demonstrating its ability to recover biologically coherent transcriptomic patterns. With strong pan-cancer generalization and improved efficiency, HistoPrism establishes a new standard for clinically relevant transcriptomic modeling from routinely available histology.
• Abstract（参考訳）: H&Eヒストロジーから空間遺伝子発現を予測することは、シークエンシングに代わるスケーラブルで臨床的にアクセシブルな代替手段を提供するが、臨床効果を実現するには、がんの種類を一般化し生物学的に一貫性のあるシグナルを捉えるモデルが必要である。 事前の作業は、しばしばがんごとの設定と分散に基づく評価に制限され、機能的関連性は未調査のままである。 ヒストプリズム(HistoPrism)は、ヒストロジーから遺伝子発現をパン・カンサーで予測するための効率的なトランスフォーマーベースのアーキテクチャである。 生物学的意義を評価するため,単離された遺伝子レベルの変異からコヒーレントな機能的経路へのシフト評価を行う経路レベルのベンチマークを導入する。 HistoPrismは、高度に可変された遺伝子の最先端モデルを超えただけでなく、さらに重要なことは、生物学的に整合した転写パターンを復元する能力を示す経路レベルの予測に大きな進歩をもたらすことである。 強力な汎癌一般化と効率の向上により、HistoPrismは、日常的に利用可能な組織学から臨床的に関連する転写学的モデリングのための新しい標準を確立した。

関連論文リスト

• PEaRL: Pathway-Enhanced Representation Learning for Gene and Pathway Expression Prediction from Histology [8.879502752288325]
  本稿では PEaRL (Pathway Enhanced Representation Learning) について述べる。 3つのがんSTデータセット全体でPEaRLはSOTA法を一貫して上回り、遺伝子レベルでの発現予測と経路レベルでの表現予測の精度が向上した。
  論文  参考訳（メタデータ） (2025-10-03T19:21:23Z)
• 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)
• 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)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Generating crossmodal gene expression from cancer histopathology improves multimodal AI predictions [1.0225653612678713]
  デジタル病理組織学から合成されたゲノム表現は,がんの診断と生存リスクを高い精度で予測する。 PathGenコードはGitHubのhttps://github.com/Samiran-Dey/PathGen.comで研究コミュニティから公開されている。
  論文  参考訳（メタデータ） (2025-02-01T21:28:30Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)

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。