論文の概要: Uncovering spatial tissue domains and cell types in spatial omics through cross-scale profiling of cellular and genomic interactions

• arxiv url: http://arxiv.org/abs/2602.12651v1
• Date: Fri, 13 Feb 2026 06:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.866348
• Title: Uncovering spatial tissue domains and cell types in spatial omics through cross-scale profiling of cellular and genomic interactions
• Title（参考訳）: 細胞とゲノム相互作用のクロススケールプロファイリングによる空間オミクスにおける空間組織ドメインと細胞型を明らかにする
• Authors: Rui Yan, Xiaohan Xing, Xun Wang, Zixia Zhou, Md Tauhidul Islam, Lei Xing,
• Abstract要約: 本稿では,高速空間転写学解析の限界を克服するディープラーニングフレームワークであるCellScapeを提案する。 CellScapeは、組織空間における細胞間相互作用と細胞間のゲノム関係をモデル化し、包括的な表現を生成する。 この技術は、空間領域のセグメンテーションを改善する生物学的に有意義なパターンを明らかにする。
• 参考スコア（独自算出の注目度）: 26.7111709393529
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cellular identity and function are linked to both their intrinsic genomic makeup and extrinsic spatial context within the tissue microenvironment. Spatial transcriptomics (ST) offers an unprecedented opportunity to study this, providing in situ gene expression profiles at single-cell resolution and illuminating the spatial and functional organization of cells within tissues. However, a significant hurdle remains: ST data is inherently noisy, large, and structurally complex. This complexity makes it intractable for existing computational methods to effectively capture the interplay between spatial interactions and intrinsic genomic relationships, thus limiting our ability to discern critical biological patterns. Here, we present CellScape, a deep learning framework designed to overcome these limitations for high-performance ST data analysis and pattern discovery. CellScape jointly models cellular interactions in tissue space and genomic relationships among cells, producing comprehensive representations that seamlessly integrate spatial signals with underlying gene regulatory mechanisms. This technique uncovers biologically informative patterns that improve spatial domain segmentation and supports comprehensive spatial cellular analyses across diverse transcriptomics datasets, offering an accurate and versatile framework for deep analysis and interpretation of ST data.w
• Abstract（参考訳）: 細胞性同一性と機能は、その内在的なゲノム構成と組織微小環境における外在的な空間的文脈の両方に結びついている。 空間転写学(ST)は、これを研究する前例のない機会を提供し、単細胞解像度でin situ遺伝子発現プロファイルを提供し、組織内の細胞の空間的および機能的構造を照明する。 しかし、STデータは本質的にノイズが多く、大きく、構造的に複雑である。 この複雑さにより、既存の計算手法が空間的相互作用と固有のゲノム関係の相互作用を効果的に捉え、重要な生物学的パターンを識別する能力を制限することができる。 本稿では,これらの制約を克服し,高速なSTデータ解析とパターン発見を実現するためのディープラーニングフレームワークであるCellScapeを提案する。 CellScapeは、組織空間における細胞間相互作用と細胞間のゲノム関係を共同でモデル化し、空間信号と基礎となる遺伝子制御機構をシームレスに統合する包括的な表現を生成する。 この技術は、空間領域のセグメンテーションを改善する生物学的に有意義なパターンを明らかにし、STデータの深い分析と解釈のための正確で汎用的なフレームワークを提供する様々な転写学データセットにわたる包括的空間セル解析をサポートする。

関連論文リスト

• Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
  細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。 NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
  論文  参考訳（メタデータ） (2025-11-02T15:41:38Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• 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)
• 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)
• 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)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)

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。