論文の概要: FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2603.25247v1
• Date: Thu, 26 Mar 2026 09:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.222388
• Title: FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics
• Title（参考訳）: FEAST:空間転写学のための完全連結表現型注意
• Authors: Taejin Jeong, Joohyeok Kim, Jinyeong Kim, Chanyoung Kim, Seong Jae Hwang,
• Abstract要約: FEAST(Fully connected Expressive Attention for Space Transcriptomics)は、組織を完全な連結グラフとしてモデル化する注意ベースのフレームワークである。 FEASTは生物学的に妥当な注意マップを提供しながら、遺伝子発現予測における最先端の手法を超越していることを示す。
• 参考スコア（独自算出の注目度）: 10.003518151876328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial Transcriptomics (ST) provides spatially-resolved gene expression, offering crucial insights into tissue architecture and complex diseases. However, its prohibitive cost limits widespread adoption, leading to significant attention on inferring spatial gene expression from readily available whole slide images. While graph neural networks have been proposed to model interactions between tissue regions, their reliance on pre-defined sparse graphs prevents them from considering potentially interacting spot pairs, resulting in a structural limitation in capturing complex biological relationships. To address this, we propose FEAST (Fully connected Expressive Attention for Spatial Transcriptomics), an attention-based framework that models the tissue as a fully connected graph, enabling the consideration of all pairwise interactions. To better reflect biological interactions, we introduce negative-aware attention, which models both excitatory and inhibitory interactions, capturing essential negative relationships that standard attention often overlooks. Furthermore, to mitigate the information loss from truncated or ignored context in standard spot image extraction, we introduce an off-grid sampling strategy that gathers additional images from intermediate regions, allowing the model to capture a richer morphological context. Experiments on public ST datasets show that FEAST surpasses state-of-the-art methods in gene expression prediction while providing biologically plausible attention maps that clarify positive and negative interactions. Our code is available at https://github.com/starforTJ/ FEAST.
• Abstract（参考訳）: 空間転写学 (Spatial Transcriptomics, ST) は、組織構造や複雑な疾患に対する重要な洞察を提供する、空間的に解決された遺伝子発現を提供する。 しかし、その禁止費用は広く普及を制限し、スライド画像全体から空間的遺伝子発現を推定することに大きな注意を向けた。 組織領域間の相互作用をモデル化するためにグラフニューラルネットワークが提案されているが、事前に定義されたスパースグラフに依存しているため、相互作用する可能性のあるスポットペアを考慮できないため、複雑な生物学的関係を捕捉する構造的制限が生じる。 そこで本研究では,組織を完全に連結したグラフとしてモデル化し,全ての対の相互作用を考慮に入れたFEAST(Fully connected Expressive Attention for Spatial Transcriptomics)を提案する。 生物学的相互作用をよりよく反映するために、私たちは興奮的相互作用と抑制的相互作用の両方をモデル化し、標準的な注意がしばしば見落としている本質的な負の関係を捉える負の注意を導入する。 さらに,標準スポット画像抽出における情報損失を軽減するために,中間領域から追加画像を集めるオフグリッドサンプリング手法を導入し,よりリッチな形態的コンテキストを捉える。 公開STデータセットを用いた実験では、FEASTは、正と負の相互作用を明確にした生物学的に妥当な注意マップを提供しながら、遺伝子発現予測における最先端の手法を超越していることが示されている。 私たちのコードはhttps://github.com/starforTJ/FEAST.comで公開されています。

関連論文リスト

• Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference [7.79162872496708]
  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。
  論文  参考訳（メタデータ） (2026-03-24T05:49:00Z)
• Spatially Gene Expression Prediction using Dual-Scale Contrastive Learning [12.35331063443348]
  NH2STは、空間的コンテキストと、遺伝子発現予測のための病理と遺伝子モダリティの両方を統合している。 我々のモデルは既存の手法を一貫して上回り、PCCメトリクスの20%以上を達成しています。
  論文  参考訳（メタデータ） (2025-06-30T13:18:39Z)
• Improving Medical Visual Representation Learning with Pathological-level Cross-Modal Alignment and Correlation Exploration [21.260659596426184]
  画像と報告の両方から病理観察の一貫性を最大化するために,新しい病理レベルの相互アライメント(PCMA)手法を提案する。 PCMAモジュールは外部の疾患アノテーションとは独立して動作し,本手法の汎用性と堅牢性を高める。 実験により,提案するフレームワークは,複数の下流タスクにおいて,新しい最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-06-12T11:01:57Z)
• Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
  我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。 隣り合う部分グラフにメッセージ通信機構を導入する。 我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-23T13:51:46Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)

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。