論文の概要: Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images

• arxiv url: http://arxiv.org/abs/2603.19766v1
• Date: Fri, 20 Mar 2026 08:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.062876
• Title: Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images
• Title（参考訳）: 組織画像からの空間的遺伝子発現生成への事前学習単細胞基盤モデルの適用
• Abstract要約: HINGE (HIstology-coNditioned GEneration) は、訓練済みの sc-FM を条件付き表現生成器に適合させる。 3つのSTデータセットに基づいて評価し、平均ピアソン相関に基づいて最先端のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 5.072469295071516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics (ST) enables spot-level in situ expression profiling, but its high cost and limited throughput motivate predicting expression directly from HE-stained histology. Recent advances explore using score- or flow-based generative models to estimate the conditional distribution of gene expression from histology, offering a flexible alternative to deterministic regression approaches. However, most existing generative approaches omit explicit modeling of gene-gene dependencies, undermining biological coherence. Single-cell foundation models (sc-FMs), pre-trained across diverse cell populations, capture these critical gene relationships that histology alone cannot reveal. Yet, applying expression-only sc-FMs to histology-conditioned expression modeling is nontrivial due to the absence of a visual pathway, a mismatch between their pre-training and conditional ST objectives, and the scarcity of mixed-cell ST supervision. To address these challenges, we propose HINGE (HIstology-coNditioned GEneration), which retrofits a pre-trained sc-FM into a conditional expression generator while mostly preserving its learned gene relationships. We achieve this by introducing SoftAdaLN, a lightweight, identity-initialized modulation that injects layer-wise visual context into the backbone, coupled with an expression-space masked diffusion objective and a warm-start curriculum to ensure objective alignment and training stability. Evaluated on three ST datasets, ours outperforms state-of-the-art baselines on mean Pearson correlation and yields more accurate spatial marker expression patterns and higher pairwise co-expression consistency, establishing a practical route to adapt pre-trained sc-FMs for histology-conditioned spatial expression generation.
• Abstract（参考訳）: 空間転写学(ST)は、スポットレベルのin situ式プロファイリングを可能にするが、高いコストと限られたスループットはHE-stained histologyから直接予測表現を動機付けている。 最近の進歩は、スコアまたはフローに基づく生成モデルを用いて、組織学から遺伝子発現の条件分布を推定し、決定論的回帰アプローチの柔軟な代替手段を提供する。 しかし、既存のほとんどの生成的アプローチは、遺伝子依存の明示的なモデリングを省略し、生物学的コヒーレンスを損なう。 単細胞ファンデーションモデル(sc-FMs)は、様々な細胞集団で事前訓練され、組織学だけでは明らかにできないこれらの重要な遺伝子関係を捉えている。 しかし, 視覚経路の欠如, 訓練前のST目標と条件付きST目標とのミスマッチ, 混合細胞ST監督の欠如などにより, 組織学的条件付き発現モデルに発現専用Sc-FMを適用することは容易ではない。 これらの課題に対処するため,HINGE (HIstology-coNditioned GEneration) を提案する。 我々は,表層的な視覚的コンテキストをバックボーンに注入する軽量なアイデンティティ初期化変調であるSoftAdaLNを導入し,表現空間のマスク付き拡散目標とウォームスタートカリキュラムを併用して,客観的アライメントとトレーニングの安定性を確保する。 3つのSTデータセットで評価し, 平均ピアソン相関に基づく最先端のベースラインを上回り, より正確な空間マーカー表現パターンと高いペアワイズ共表現一貫性を実現し, 組織学条件の空間表現生成に事前学習した sc-FM を適用するための実用的な方法を確立した。

関連論文リスト

• Program-space Diffusion for Morphology-to-Transcriptomics Prediction [0.0]
  プログラム空間における条件生成として形態学から転写学への予測を再構成する。 トレーニングデータにおけるコーディネート表現の変動を計測する低次元プログラムの集合を抽出する。 組織学からプログラムアクティベーションを生成するために条件拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2026-08-14T14:20:40Z)
• Understanding Synergistic Interactions among Pathology Foundation Models via Adaptive Fusion [49.550545038402184]
  病理基盤モデル(PFM)は、大規模病理画像の自己教師付き事前トレーニングを通じて、強力なタイルレベルの表現を提供する。 AdaFusionは軽量な適応型核融合フレームワークで、複数の凍結されたPFMから補完的な信号を統合する。 AdaFusionは、解釈可能な組織可視化を提供しながら、個々のPFMやその他の融合ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-02T16:44:45Z)
• DriftST: One-Step Generative Inference of Spatial Transcriptomics from H\&E Histology [11.977375064177354]
  ヘマトキシリンとエオシン染色組織学から直接の発現を推定することは、費用対効果の代替となる。 H&E画像から空間的に解決された遺伝子発現を推定する統合フレームワークDriftSTを提案する。 ジェネリックな遺伝子パネル表現で操作すると、DriftSTは1つのフレームワークのスポットレベルとセルレベルの両方のデータに直接適用される。
  論文  参考訳（メタデータ） (2026-07-06T07:22:58Z)
• FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction [21.300129464820984]
  現在のモデルは、遺伝子調整や空間分布といった重要な生物学的構造を見落としている。 我々は,このタスクを構造化分布モデルとして再定義する拡散ベースのフレームワークである textbfFLAG を紹介する。 実験の結果,FLAGは従来の精度で高い競争力を持つことがわかった。
  論文  参考訳（メタデータ） (2026-05-18T08:43:18Z)
• Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics [2.3129926848389633]
  空間転写学 (Spatial Transcriptomics, ST) は、無傷組織構造内の空間的に解決された遺伝子発現プロファイルを提供する。 分子誘導を限定した大規模形態素前駆体を組み込んだST(C2L-ST)の中央-局所適応型生成拡散フレームワークを提案する。 C2L-STは、分子レベルのデータ拡張のためのスケーラブルでデータ効率のよいフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-03-27T02:32:00Z)
• 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)
• MoLF: Mixture-of-Latent-Flow for Pan-Cancer Spatial Gene Expression Prediction from Histology [2.4068264948068276]
  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。
  論文  参考訳（メタデータ） (2026-02-02T16:23:31Z)
• C3-Diff: Super-resolving Spatial Transcriptomics via Cross-modal Cross-content Contrastive Diffusion Modelling [5.986183062217602]
  本研究は, 組織像をガイダンスとしてST強調のために, C3-Diffと呼ばれるクロスモーダルクロスコントラスト拡散フレームワークを提案する。 STマップにおける低シークエンシング感度の問題を克服するため,特徴単位超球面上でノイズに基づく情報拡張を行う。 本稿では,STデータ不足を軽減するための動的クロスモーダル計算に基づくトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-04T13:12:25Z)
• GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
  GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。 我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。 GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2025-10-05T18:28:21Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• 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)
• Modeling Gene Expression Distributional Shifts for Unseen Genetic Perturbations [44.619690829431214]
  遺伝的摂動に伴う遺伝子発現の分布応答を予測するニューラルネットワークを訓練する。 本モデルでは, 摂動を条件とした遺伝子レベルのヒストグラムを予測し, 高次統計値の取得において, 基準値よりも優れていた。
  論文  参考訳（メタデータ） (2025-07-01T06:04:28Z)
• 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)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)

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。