論文の概要: MoLF: Mixture-of-Latent-Flow for Pan-Cancer Spatial Gene Expression Prediction from Histology

• arxiv url: http://arxiv.org/abs/2602.02282v1
• Date: Mon, 02 Feb 2026 16:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.286557
• Title: MoLF: Mixture-of-Latent-Flow for Pan-Cancer Spatial Gene Expression Prediction from Histology
• Title（参考訳）: MoLF-Mixture-of-Latent-Flow for Pan-Cancer空間的遺伝子発現予測
• Authors: Susu Hu, Stefanie Speidel,
• Abstract要約: 膵癌組織学的予測のための遺伝子モデルであるMOLFを導入する。 入力を特殊なサブネットワークに動的にルーティングすることで、MoLFは多様な組織パターンの最適化を効果的に分離する。 MoLFは、種間データに対するゼロショットの一般化を示し、基本的な保存されたヒスト分子機構を捉えることを示唆している。
• 参考スコア（独自算出の注目度）: 2.4068264948068276
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inferring spatial transcriptomics (ST) from histology enables scalable histogenomic profiling, yet current methods are largely restricted to single-tissue models. This fragmentation fails to leverage biological principles shared across cancer types and hinders application to data-scarce scenarios. While pan-cancer training offers a solution, the resulting heterogeneity challenges monolithic architectures. To bridge this gap, we introduce MoLF (Mixture-of-Latent-Flow), a generative model for pan-cancer histogenomic prediction. MoLF leverages a conditional Flow Matching objective to map noise to the gene latent manifold, parameterized by a Mixture-of-Experts (MoE) velocity field. By dynamically routing inputs to specialized sub-networks, this architecture effectively decouples the optimization of diverse tissue patterns. Our experiments demonstrate that MoLF establishes a new state-of-the-art, consistently outperforming both specialized and foundation model baselines on pan-cancer benchmarks. Furthermore, MoLF exhibits zero-shot generalization to cross-species data, suggesting it captures fundamental, conserved histo-molecular mechanisms.
• Abstract（参考訳）: 空間転写学(ST)をヒストロジーから推定することで、スケーラブルなヒストゲノミクス・プロファイリングが可能になるが、現在の手法はシングルタスクモデルに限られている。 この断片化は、がんタイプ間で共有される生物学的原則の活用に失敗し、データスカースシナリオへの適用を妨げる。 パンキャンサートレーニングはソリューションを提供するが、結果として生じる異質性はモノリシックアーキテクチャに挑戦する。 このギャップを埋めるために,汎癌組織学的予測のための生成モデルであるMOLF(Mixture-of-Latent-Flow)を導入する。 MoLFは条件付きフローマッチングの目的を利用して、Mixture-of-Experts (MoE) 速度場によってパラメータ化される遺伝子潜在多様体にノイズをマッピングする。 このアーキテクチャは、入力を特殊なサブネットワークに動的にルーティングすることで、多様な組織パターンの最適化を効果的に分離する。 我々の実験は、MOLFが新しい最先端技術を確立し、パンカンサーベンチマークによる専門モデルと基礎モデルの両方のベースラインを一貫して上回っていることを実証している。 さらに、MoLFは種間データに対するゼロショットの一般化を示し、基本的な保存された分子機構を捉えることを示唆している。

関連論文リスト

• Towards Spatial Transcriptomics-driven Pathology Foundation Models [32.70436266943553]
  本稿では、局所的な分子情報を病理視覚エンコーダに注入するビジョン・オミクス自己教師型学習フレームワークを提案する。 腫瘍および14臓器の正常サンプルにまたがる70,000対の遺伝子の発現スポット-tissue領域のトレーニングによりSEALをインスタンス化する。 SEALエンコーダは、アウト・オブ・ディストリビューションに堅牢なドメイン一般化を示し、遺伝子対イメージ検索のような新しいクロスモーダル機能を実現する。
  論文  参考訳（メタデータ） (2026-02-15T15:06:45Z)
• Mixture-of-experts Wishart model for covariance matrices with an application to Cancer drug screening [0.8594140167290097]
  古典的混合モデルと新しい混合実験ウィッシュアートモデルの両方を通して異種共分散データを解析するための包括的ベイズフレームワークを提案する。 We developed a efficient Gibbs-within-Metropolis-Hastings sample algorithm to the geometry of the Wishart chance and the gating network。 本稿では,がん薬剤感受性プロファイル(がん薬剤感受性プロファイル)という,我々の方法論の革新的な応用を挑戦的データセットに提示する。
  論文  参考訳（メタデータ） (2026-02-14T21:07:14Z)
• SAGE-FM: A lightweight and interpretable spatial transcriptomics foundation model [2.060288975192133]
  グラフ畳み込みネットワーク(GCN)に基づく軽量空間転写基盤モデルであるSAGE-FMを紹介する。 SAGE-FMは、15個の臓器にまたがる416個のヒトのビシウムサンプルに基づいて、マスクされた遺伝子を確実に回収する空間的に整合した埋め込みを学習する。 以上の結果から,GCNは大規模空間転写学において生物学的に解釈可能かつ空間的に認識可能な基礎モデルとして機能することが示唆された。
  論文  参考訳（メタデータ） (2026-01-21T22:22:38Z)
• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• Masked Omics Modeling for Multimodal Representation Learning across Histopathology and Molecular Profiles [0.0]
  自己教師付き学習は、計算病理学に大きな進歩をもたらした。 しかし、病理組織学だけでは分子的特徴や臨床結果の理解に乏しいことが多い。 我々はMORPHEUSを紹介した。MORPHEUSは、組織学とマルチオミクスの両方のデータを共有潜在空間にエンコードする統合トランスフォーマーベースの事前学習フレームワークである。
  論文  参考訳（メタデータ） (2025-08-01T15:29:26Z)
• A Phylogenetic Approach to Genomic Language Modeling [0.2912705470788796]
  系統樹上のヌクレオチド進化を明示的にモデル化するgLMを訓練するための新しいフレームワークを提案する。 本手法では,トレーニング中の損失関数にアライメントを組み込むことで予測を行う。 我々はこの枠組みを適用し、単一シーケンスのみから機能的に破壊的な変異を予測するモデルであるPhyloGPNを訓練した。
  論文  参考訳（メタデータ） (2025-03-04T06:53:03Z)
• 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)
• TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model [32.670806339139034]
  本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。 本手法は, セル分布と相互作用のシミュレーションを改良し, 下流タスクにおける結果の精度と解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-12-08T18:02:22Z)
• LDMol: A Text-to-Molecule Diffusion Model with Structurally Informative Latent Space Surpasses AR Models [55.5427001668863]
  テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 実験の結果, LDMolはテキストから分子生成ベンチマークにおいて, 既存の自己回帰ベースラインよりも優れていた。 我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
  ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。 本稿では,FCMを用いたクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T08:15:50Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• PANTHER: Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning [7.7415390727490445]
  Augmented Pathway Non negative factorization for HighER-order Feature Learning (PANTHER) を紹介する。 PANTHERは分子機構を直接コードする遺伝子経路を選択する。 特定経路群を用いて,病型別ソフトマックス分類器を訓練する。
  論文  参考訳（メタデータ） (2020-12-15T19:39:55Z)

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。