論文の概要: Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference
- arxiv url: http://arxiv.org/abs/2603.22821v1
- Date: Tue, 24 Mar 2026 05:49:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.323586
- Title: Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference
- Title（参考訳）: 空間的遺伝子発現推論のためのマルチモーダル不均一グラフコントラスト学習によるクロススライス知識の伝達
- Authors: Zhiceng Shi, Changmiao Wang, Jun Wan, Wenwen Min,
- Abstract要約: SpaHGCは、組織像からスライス内とスライス間スポットの関係をキャプチャするグラフベースのモデルである。
対象スライド内の局所的空間コンテキストと,病理基盤モデルから抽出した画像埋め込みから計算したクロススライド類似性を統合する。
SpaHGCは、すべての評価指標で既存の9つの最先端メソッドを大幅に上回っている。
- 参考スコア（独自算出の注目度）: 7.79162872496708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While spatial transcriptomics (ST) has advanced our understanding of gene expression in tissue context, its high experimental cost limits its large-scale application. Predicting ST from pathology images is a promising, cost-effective alternative, but existing methods struggle to capture complex cross-slide spatial relationships. To address the challenge, we propose SpaHGC, a multi-modal heterogeneous graph-based model that captures both intra-slice and inter-slice spot-spot relationships from histology images. It integrates local spatial context within the target slide and cross-slide similarities computed from image embeddings extracted by a pathology foundation model. These embeddings enable inter-slice knowledge transfer, and SpaHGC further incorporates Masked Graph Contrastive Learning to enhance feature representation and transfer spatial gene expression knowledge from reference to target slides, enabling it to model complex spatial dependencies and significantly improve prediction accuracy. We conducted comprehensive benchmarking on seven matched histology-ST datasets from different platforms, tissues, and cancer subtypes. The results demonstrate that SpaHGC significantly outperforms the existing nine state-of-the-art methods across all evaluation metrics. Additionally, the predictions are significantly enriched in multiple cancer-related pathways, thereby highlighting its strong biological relevance and application potential.
- Abstract（参考訳）: 空間転写学(ST)は組織コンテキストにおける遺伝子発現の理解を進歩させてきたが、その実験コストは大規模適用を制限している。
病理画像からSTを予測することは有望で費用対効果の高い方法であるが、既存の手法では複雑なクロススライド空間関係を捉えるのに苦労している。
この課題に対処するために,スライス内およびスライス間スポット間の関係をヒストロジー画像から捉える多モード不均一グラフベースモデルであるSpaHGCを提案する。
対象スライド内の局所的空間コンテキストと,病理基盤モデルから抽出した画像埋め込みから計算したクロススライド類似性を統合する。
これらの埋め込みにより、スライス間の知識伝達が可能となり、さらにMasked Graph Contrastive Learningを導入して、特徴表現を強化し、ターゲットスライドへの参照から空間遺伝子発現知識を伝達し、複雑な空間依存をモデル化し、予測精度を大幅に向上する。
異なるプラットフォーム,組織,癌サブタイプから得られた7つのマッチングヒストロジー-STデータセットの総合的ベンチマークを行った。
結果は,SpaHGCが既存の9つの最先端手法を,すべての評価指標で著しく上回っていることを示している。
さらに、この予測は複数のがん関連経路で顕著に富み、その強い生物学的関連性と応用可能性を強調している。
関連論文リスト
- Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。
本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。
6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
論文 参考訳（メタデータ） (2026-02-15T00:59:13Z) - A Multi-scale Fused Graph Neural Network with Inter-view Contrastive Learning for Spatial Transcriptomics Data Clustering [7.214595408714774]
畳み込み後の空間的特徴と遺伝子的特徴を動的に統合するために,階層的に相互に注目するマルチスケールな相互融合グラフネットワークstMFGを提案する。
最先端の手法よりも優れており、特定のスライスで最大14%のARI改善を実現している。
論文 参考訳（メタデータ） (2025-12-18T05:13:55Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - 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) - PH2ST:ST-Prompt Guided Histological Hypergraph Learning for Spatial Gene Expression Prediction [9.420121324844066]
本稿では,空間的遺伝子発現予測のためのマルチスケールな組織学的表現学習を支援するために,プロンプト誘導型ハイパーグラフ学習フレームワークPH2STを提案する。
PH2STは既存の最先端手法に勝るだけでなく、欠落点の計算、ST超解像、局所-グローバル予測などの実用的な応用にも大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-03-21T03:10:43Z) - 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) - 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) - Spatially Resolved Gene Expression Prediction from Histology via Multi-view Graph Contrastive Learning with HSIC-bottleneck Regularization [18.554968935341236]
本稿では,HSIC-bottleneck Regularization (ST-GCHB) を用いたマルチビューグラフ比較学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-18T03:07:25Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。