論文の概要: STProtein: predicting spatial protein expression from multi-omics data

• arxiv url: http://arxiv.org/abs/2602.05811v1
• Date: Thu, 05 Feb 2026 16:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.025555
• Title: STProtein: predicting spatial protein expression from multi-omics data
• Title（参考訳）: マルチオミクスデータから空間タンパク質の発現を予測するSTProtein
• Authors: Zhaorui Jiang, Yingfang Yuan, Lei Hu, Wei Pang,
• Abstract要約: STProteinは、マルチタスク学習戦略でグラフニューラルネットワークを活用する新しいフレームワークである。 よりアクセスしやすい空間的マルチオミクスデータを用いて、未知のタンパク質の発現を正確に予測するように設計されている。
• 参考スコア（独自算出の注目度）: 12.396161354600787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of spatial multi-omics data from single tissues is crucial for advancing biological research. However, a significant data imbalance impedes progress: while spatial transcriptomics data is relatively abundant, spatial proteomics data remains scarce due to technical limitations and high costs. To overcome this challenge we propose STProtein, a novel framework leveraging graph neural networks with multi-task learning strategy. STProtein is designed to accurately predict unknown spatial protein expression using more accessible spatial multi-omics data, such as spatial transcriptomics. We believe that STProtein can effectively addresses the scarcity of spatial proteomics, accelerating the integration of spatial multi-omics and potentially catalyzing transformative breakthroughs in life sciences. This tool enables scientists to accelerate discovery by identifying complex and previously hidden spatial patterns of proteins within tissues, uncovering novel relationships between different marker genes, and exploring the biological "Dark Matter".
• Abstract（参考訳）: 単一組織からの空間的マルチオミクスデータの統合は、生物学的研究の進展に不可欠である。 しかし、空間転写学のデータは比較的豊富であるが、技術的制限と高いコストのために空間プロテオミクスデータが不足している。 この課題を解決するために,マルチタスク学習戦略を用いたグラフニューラルネットワークを活用した新しいフレームワークSTProteinを提案する。 STProteinは、空間転写学のようなよりアクセスしやすい空間マルチオミクスデータを用いて、未知の空間タンパク質の発現を正確に予測するように設計されている。 我々はSTProteinが空間的プロテオミクスの不足に効果的に対処し、空間的マルチオミクスの統合を加速し、生命科学における変革的ブレークスルーを触媒する可能性があると信じている。 このツールは、組織内のタンパク質の複雑な空間パターンを同定し、異なるマーカー遺伝子間の新しい関係を解明し、生物学的な「ダークマター」を探索することで、発見を加速する。

関連論文リスト

• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• SemanticST: Spatially Informed Semantic Graph Learning for Clustering, Integration, and Scalable Analysis of Spatial Transcriptomics [3.1403380447856426]
  本稿では,空間転写学解析のためのグラフベースのディープラーニングフレームワークSemanticSTを提案する。 ミニバッチトレーニングをサポートしており、Xenium(50,000セル)のような大規模データセットにスケーラブルなグラフニューラルネットワークとしては初めてのものだ。
  論文  参考訳（メタデータ） (2025-06-13T06:30:48Z)
• Spatial Knowledge Graph-Guided Multimodal Synthesis [78.11669780958657]
  本稿では,空間知識グラフによって導かれる新しいマルチモーダル合成手法を提案する。 実験では、方向や距離を含む多様な空間知識から合成されたデータにより、MLLMの空間知覚と推論能力が著しく向上する。 知識に基づくデータ合成のアイデアが空間知性の発展を促進することを願っている。
  論文  参考訳（メタデータ） (2025-05-28T17:50:21Z)
• Strategic priorities for transformative progress in advancing biology with proteomics and artificial intelligence [54.14779179869007]
  データ分析から新たな生物学的洞察に至るまで、AIがイノベーションを推進している重要な領域を強調します。 その中には、データ生成、共有、分析のためのAIフレンドリーなエコシステムの開発も含まれる。
  論文  参考訳（メタデータ） (2025-02-21T13:20:33Z)
• Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective [19.655130697247518]
  単一細胞および空間転写学の発展は、細胞の性質、機能、相互作用を研究する能力に革命をもたらした。 しかし,単一セル・空間オミクスデータの解析は依然として困難である。 ディープラーニングは、高次元の複雑なデータを処理し、意味のあるパターンを自動的に識別できる強力なツールとして登場した。
  論文  参考訳（メタデータ） (2024-12-04T14:07:11Z)
• 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)
• A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
  本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。 本稿では,生成技術に基づく時空間法を包括的に分析する。 また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
  論文  参考訳（メタデータ） (2024-05-15T12:07:43Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders [63.46738617561255]
  訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。 顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。 画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-19T01:27:21Z)

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。