論文の概要: Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2603.26827v1
• Date: Fri, 27 Mar 2026 02:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.647275
• Title: Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics
• Title（参考訳）: データ制限空間転写学における遺伝子発現予測改善のための中央から局所への適応的生成拡散フレームワーク
• Authors: Yaoyu Fang, Jiahe Qian, Xinkun Wang, Lee A. Cooper, Bo Zhou,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3129926848389633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial Transcriptomics (ST) provides spatially resolved gene expression profiles within intact tissue architecture, enabling molecular analysis in histological context. However, the high cost, limited throughput, and restricted data sharing of ST experiments result in severe data scarcity, constraining the development of robust computational models. To address this limitation, we present a Central-to-Local adaptive generative diffusion framework for ST (C2L-ST) that integrates large-scale morphological priors with limited molecular guidance. A global central model is first pretrained on extensive histopathology datasets to learn transferable morphological representations, and institution-specific local models are then adapted through lightweight gene-conditioned modulation using a small number of paired image-gene spots. This strategy enables the synthesis of realistic and molecularly consistent histology patches under data-limited conditions. The generated images exhibit high visual and structural fidelity, reproduce cellular composition, and show strong embedding overlap with real data across multiple organs, reflecting both realism and diversity. When incorporated into downstream training, synthetic image-gene pairs improve gene expression prediction accuracy and spatial coherence, achieving performance comparable to real data while requiring only a fraction of sampled spots. C2L-ST provides a scalable and data-efficient framework for molecular-level data augmentation, offering a domain-adaptive and generalizable approach for integrating histology and transcriptomics in spatial biology and related fields.
• Abstract（参考訳）: 空間転写学 (Spatial Transcriptomics, ST) は、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し、組織学的文脈における分子解析を可能にする。 しかし、ST実験の高コスト化、スループットの制限、データ共有の制限によりデータ不足が生じ、堅牢な計算モデルの開発が制限される。 この制限に対処するため,分子誘導に制限のある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。 グローバル中央モデルは、転送可能な形態的表現を学習するために、広範囲な病理組織学データセットに事前訓練され、その後、少数の対のイメージジェネティックスポットを用いて、軽量な遺伝子調整によって、施設固有の局所モデルが適応される。 この戦略は、データ制限条件下での現実的で分子的に整合した組織学パッチの合成を可能にする。 生成された画像は、高い視覚的および構造的忠実度を示し、細胞組成を再現し、複数の臓器にまたがる実際のデータと強い埋め込み重なり合いを示し、リアリズムと多様性の両方を反映している。 下流トレーニングに組み込むと、合成画像ジェネレーションペアは遺伝子発現予測精度と空間コヒーレンスを改善し、少数のサンプルスポットしか必要とせず、実際のデータに匹敵するパフォーマンスを達成する。 C2L-STは、空間生物学や関連分野における組織学と転写学を統合するために、ドメイン適応的で一般化可能なアプローチを提供する、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。

関連論文リスト

• Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images [5.072469295071516]
  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。
  論文  参考訳（メタデータ） (2026-03-20T08:52:39Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• 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)
• 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)
• HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
  HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-17T04:47:39Z)
• Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
  本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。 具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。 次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
  論文  参考訳（メタデータ） (2025-07-08T04:50:28Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• 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)
• 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)

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。