論文の概要: A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction
- arxiv url: http://arxiv.org/abs/2604.03630v1
- Date: Sat, 04 Apr 2026 08:00:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.682937
- Title: A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction
- Title（参考訳）: 生物学的発見と臨床予測のための空間転写学と組織学のマルチモーダル基礎モデル
- Abstract要約: textbfours (textbfSpatial textbfTranscriptomics and histtextbfOlogy textbfRepresentation textbfModel) は18臓器の組織と一致した組織で120万個の空間的に解決された転写学的プロファイルに基づいて訓練された基礎モデルである。
- 参考スコア（独自算出の注目度）: 13.466764029232898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial transcriptomics (ST) enables gene expression mapping within anatomical context but remains costly and low-throughput. Hematoxylin and eosin (H\&E) staining offers rich morphology yet lacks molecular resolution. We present \textbf{\ours} (\textbf{S}patial \textbf{T}ranscriptomics and hist\textbf{O}logy \textbf{R}epresentation \textbf{M}odel), a foundation model trained on 1.2 million spatially resolved transcriptomic profiles with matched histology across 18 organs. Using a hierarchical architecture integrating morphological features, gene expression, and spatial context, STORM bridges imaging and omics through robust molecular--morphological representations. STORM enhances spatial domain discovery, producing biologically coherent tissue maps, and outperforms existing methods in predicting spatial gene expression from H\&E images across 11 tumor types. The model is platform-agnostic, performing consistently across Visium, Xenium, Visium HD, and CosMx. Applied to 23 independent cohorts comprising 7,245 patients, STORM significantly improves immunotherapy response prediction and prognostication over established biomarkers, providing a scalable framework for spatially informed discovery and clinical precision medicine.
- Abstract（参考訳）: 空間転写学 (Spatial transcriptomics, ST) は、解剖学的文脈における遺伝子発現マッピングを可能にするが、高価で低スループットのままである。
ヘマトキシリンとエオシン(H\&E)染色は豊富な形態を与え、分子分解能は欠如している。
我々は,12万個の空間的に解決された転写学的プロファイルに基づいてトレーニングされた基礎モデルである \textbf{\ours} (\textbf{S}patial \textbf{T}ranscriptomics and hist\textbf{O}logy \textbf{R}epresentation \textbf{M}odel。
形態的特徴、遺伝子発現、空間的文脈を統合した階層的アーキテクチャを用いて、STORMブリッジは、堅牢な分子-形態的表現を通して、画像とオミクスを撮像する。
STORMは、空間領域の発見を強化し、生物学的にコヒーレントな組織マップを生成し、11種類の腫瘍のH\&E画像から空間遺伝子発現を予測する既存の方法より優れている。
プラットフォームに依存しないモデルで、Visium、Xenium、Visium HD、CosMxで一貫して動作する。
7,245人の患者からなる23の独立したコホートに適用すると、STORMは確立されたバイオマーカーに対する免疫療法反応の予測と予後を著しく改善し、空間的に情報を得た発見および臨床精度診断のためのスケーラブルな枠組みを提供する。
関連論文リスト
- Learning latent progression states from spatial heterogeneity in uterine histopathology [27.352389544902163]
SpaTIEは、形態学的に認識される表現を学習する、子宮特異的な計算病理学フレームワークである。
SpaTIEは時間的・分子的監督のない断面形態から腫瘍状態軸を推定した。
統合的マルチオミクス分析は、推論された状態をDNAメチル化、体細胞コピー数の変化、突然変異、RNA-seq、RPPAプロファイルに関連づけた。
論文 参考訳（メタデータ） (2026-08-18T03:56:17Z) - JASPR: Joint Spatial Representation learning of histology and spatial genomics for improved virtual genomic screening and clinical prognostication [1.8440626395175606]
本稿では,HE画像とSTデータを統合する自己教師型ディープラーニングフレームワークであるJASPR(Joint Spatial Representation Learning)を提案する。
共有モジュールを用いてモジュラリティの普遍的な空間特性を捉え、モダリティ固有の専門家は形態学的およびゲノムデータに特有の特徴を符号化する。
我々は,JASPRを乳がんデータセット上で訓練し,その学習された関節表現が9,248遺伝子のHEベースの予測を大幅に改善し,乳癌の予後に有意な価値をもたらすことを実証した。
論文 参考訳（メタデータ） (2026-06-24T00:35:49Z) - Spatial Transcriptomics-Guided Alignment Enhances Molecular Profiling in Pathology Foundation Model [43.24445461533517]
分子プロファイリングのための空間転写誘導アライメントフレームワーク(STAMP)を提案する。
STAMPは、転写学的データを生物学的に機能する経路に集約する経路インフォームドアライメント戦略を適用している。
これらの拡張表現の臨床的有用性は多層評価フレームワークを用いて検証した。
論文 参考訳（メタデータ） (2026-05-29T16:41:14Z) - 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) - 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) - R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - 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) - 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) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - 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)
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。