論文の概要: Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images

• arxiv url: http://arxiv.org/abs/2603.18461v1
• Date: Thu, 19 Mar 2026 03:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.945685
• Title: Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images
• Title（参考訳）: 病理画像からの遺伝子発現推定のための細胞型プロトタイプインフォームニューラルネットワーク
• Authors: Kazuya Nishimura, Ryoma Bise, Shinnosuke Matsuo, Haruka Hirose, Yasuhiro Kojima,
• Abstract要約: 病理画像からのスライドレベルおよびパッチレベルの遺伝子発現プロファイルの推定は、迅速かつ低コストな分子解析を可能にする。 既存のアプローチでは、遺伝子発現は単なるスライドレベルまたはスポットレベルの信号として扱う。 本稿では, 公開されているシングルセルRNAシークエンシングデータセットを活用するセル型プロトタイプインフォームドニューラルネットワーク(CPNN)を提案する。
• 参考スコア（独自算出の注目度）: 7.176906280023594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating slide- and patch-level gene expression profiles from pathology images enables rapid and low-cost molecular analysis with broad clinical impact. Despite strong results, existing approaches treat gene expression as a mere slide- or spot-level signal and do not incorporate the fact that the measured expression arises from the aggregation of underlying cell-level expression. To explicitly introduce this missing cell-resolved guidance, we propose a Cell-type Prototype-informed Neural Network (CPNN) that leverages publicly available single-cell RNA-sequencing datasets. Since single-cell measurements are noisy and not paired with histology images, we first estimate cell-type prototypes-mean expression profiles that reflect stable gene-gene co-variation patterns.CPNN then learns cell-type compositional weights directly from images and models the relationship between prototypes and observed bulk or spatial expression, providing a biologically grounded and structurally regularized prediction framework. We evaluate CPNN on three slide-level datasets and three patch-level spatial transcriptomics datasets. Across all settings, CPNN achieves the highest performance in terms of Spearman correlation. Moreover, by visualizing the inferred compositional weights, our framework provides interpretable insights into which cell types drive the predicted expression. Code is publicly available at https://github.com/naivete5656/CPNN.
• Abstract（参考訳）: 病理画像からスライドレベルおよびパッチレベルの遺伝子発現プロファイルを推定することにより、幅広い臨床効果を伴う迅速かつ低コストな分子解析が可能になる。 強い結果にもかかわらず、既存のアプローチでは、遺伝子発現を単にスライドレベルまたはスポットレベルの信号として扱い、その測定された発現が基礎となる細胞レベルの発現の集合から生じるという事実を含まない。 そこで本稿では, セル型プロトタイプインフォームドニューラルネットワーク(CPNN)を提案する。 単細胞計測はノイズが多く, 組織像と組み合わせないため, まず, 安定な遺伝子・遺伝子共変パターンを反映した細胞型プロトタイプの表現プロファイルを推定する。CPNNは, 画像から直接細胞型組成重みを学習し, プロトタイプと観察されたバルクあるいは空間的表現の関係をモデル化し, 生物学的に基底的で構造的に規則化された予測フレームワークを提供する。 CPNNを3つのスライドレベルデータセットと3つのパッチレベル空間転写学データセットで評価した。 すべての設定において、CPNNはスピアマン相関の点において最高の性能を達成している。 さらに, 推定合成重量を可視化することにより, 予測された表現をどの細胞が駆動するかの解釈可能な洞察を提供する。 コードはhttps://github.com/naivete5656/CPNNで公開されている。

関連論文リスト

• MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models [5.15189458127282]
  我々は、空間転写学の監督を事前学習した病理学の視覚変換器に組み込む微調整フレームワークであるMINTを提案する。 MINTは学習可能なSTトークンをViT入力に追加し、形態学的CLSトークンとは別個の転写情報をエンコードする。 MINTは、HEST-Benchの遺伝子発現予測と一般的な病理学タスクの両方において、最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-09T02:29:10Z)
• Parameter-free representations outperform single-cell foundation models on downstream benchmarks [0.0]
  シングルセルRNAシークエンシング(scRNA-seq)データは、強く再現可能な統計構造を示す。 TranscriptFormerのような大規模基盤モデルは、潜在ベクトル空間に遺伝子を埋め込むことで遺伝子発現の生成モデルを学ぶ。 計算集約的な深層学習に基づく表現を使わずに、類似のパフォーマンスが達成できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-02-18T18:42:29Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data [25.915980581662023]
  本稿では,空間転写学とトランスフォーマーのための階層グラフ基盤モデルであるHEISTを紹介する。 HEISTは、124の組織から15の臓器の22.3M細胞に、空間的に認識されるコントラストとマスクされた自己エンコーディングの目的を用いて事前訓練されている。
  論文  参考訳（メタデータ） (2025-06-11T12:29:01Z)
• 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)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。