論文の概要: HEXST: Hexagonal Shifted-Window Transformer for Spatial Transcriptomics Gene Expression Prediction

• arxiv url: http://arxiv.org/abs/2605.04682v1
• Date: Wed, 06 May 2026 09:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.751088
• Title: HEXST: Hexagonal Shifted-Window Transformer for Spatial Transcriptomics Gene Expression Prediction
• Title（参考訳）: HEXST:空間転写学的遺伝子発現予測のための六角形シフトウインドウ変換器
• Abstract要約: HEXSTは、組織学からの空間的遺伝子発現予測のための幾何整列変換器である。 ヘキサゴナルスポット座標を直接操作し、効率的な局所-グローバルな文脈モデリングを可能にする。 7つの空間転写学データセットで最先端のモデルを一貫して上回る。
• 参考スコア（独自算出の注目度）: 2.545948917437212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics offers spatially resolved gene expression profiling within tissue sections, but its cost and limited throughput hinder large-scale deployment. To extend this capability to routine practice, recent computational methods aim to infer spatial gene expression directly from ubiquitous hematoxylin and eosin-stained histology slides. However, most existing models assume Cartesian or geometry-agnostic locality, despite the hexagonal sampling of widely used spot-array platforms, and point-wise regression objectives often yield over-smoothed gene expression profiles, obscuring gene-specific spatial heterogeneity. To address these, we propose HEXST, a geometry-aligned Transformer for spatial gene expression prediction from histology. HEXST operates directly on hexagonal spot coordinates to enable efficient local-to-global contextual modeling via tailored shifted-window attention mechanism and hexagonal rotary positional encoding. To enhance gene-wise spatial contrast, HEXST complements point-wise regression with a contrast-sensitive differential objective and transcriptomic priors from a pretrained single-cell foundation model during training. Across seven spatial transcriptomics datasets, HEXST consistently outperforms state-of-the-art models, providing accurate and robust spatial gene expression predictions while preserving gene-wise contrast and spatial heterogeneity.
• Abstract（参考訳）: 空間転写学は、組織セクション内で空間的に解決された遺伝子発現プロファイリングを提供するが、そのコストとスループットの制限は大規模な展開を妨げる。 近年の計算手法は, ユビキタスヘマトキシリンおよびエオシン染色組織スライドから直接空間遺伝子発現を推定することを目的としている。 しかし、既存のほとんどのモデルでは、広く使われているスポットアレイプラットフォームを六角形にサンプリングしたにもかかわらず、カルテス的あるいは幾何学的非依存的な局所性(英語版)を仮定しており、ポイントワイド回帰目的はしばしば遺伝子特異的な空間的不均一性を排除し、過剰なスムースな遺伝子発現プロファイルを生じる。 そこで本研究では,ヒストロジからの空間的遺伝子発現予測のための幾何整列変換器HEXSTを提案する。 HEXSTはヘキサゴナルスポット座標上で直接動作し、調整されたシフトウインドウアテンション機構とヘキサゴナル回転位置符号化により、効率的な局所-球面コンテキストモデリングを可能にする。 遺伝子的空間的コントラストを高めるために、HEXSTは、訓練中に訓練された単一細胞基盤モデルから、コントラスト感受性の差分目的と転写前を相補する。 7つの空間転写学データセットにわたって、HEXSTは一貫して最先端のモデルより優れており、遺伝子レベルでのコントラストと空間的不均一性を保ちながら、正確で堅牢な空間的遺伝子発現予測を提供する。

関連論文リスト

• Hyperbolic Contrastive Learning with Entailment for Spatial Transcriptomics [0.0]
  本研究では,空間的トランスクリプトミクスデータの内在的階層関係を捉えた双曲型コントラスト学習モデルを提案する。 HyCLoSTは、双曲幾何学と遺伝子対画像のエンテーメント損失を活用することで、遺伝子の発現予測精度を向上させる構造的、生物学的に基底化された表現を学習する。
  論文  参考訳（メタデータ） (2026-09-14T18:39:51Z)
• 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)
• 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)
• Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics [9.067087306213525]
  我々は、部分的な遺伝子発現を用いて、組織像とともに予測過程を導出する。 本研究では,masked Autoencoder (MAE) を用いて,少数の遺伝子発現を遺伝子アンカーとして利用し,全スライディング遺伝子発現プロファイルを推定する。 我々のフレームワークは、ヒストロジのみの予測と空間的計算の両方において、既存の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-19T06:47:55Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• 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)
• Enforcing Latent Euclidean Geometry in Single-Cell VAEs for Manifold Interpolation [79.27003481818413]
  離散的様相変分オートエンコーダの潜在多様体をユークリッド幾何学へ正規化する訓練フレームワークであるFlatVIを紹介する。 遅延空間の直線を復号化された単セル多様体上の測地線に近似させることで、FlatVIは下流アプローチとの整合性を高める。
  論文  参考訳（メタデータ） (2025-07-15T23:08:14Z)
• GMapLatent: Geometric Mapping in Latent Space [51.317738404571514]
  エンコーダ-デコーダAIアーキテクチャに基づくドメイン間の生成モデルは、現実的な画像の生成に大きな注目を集めている。 幾何学的マッピングに基づく正準潜在空間表現を導入し、領域間潜在空間を厳密かつ正確に整列する。 グレースケールおよびカラー画像の実験は、GMapLatentの有効性、有効性および適用性を検証する。
  論文  参考訳（メタデータ） (2025-03-30T12:02:36Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Spatial Transcriptomics Analysis of Spatially Dense Gene Expression Prediction [5.822764600388809]
  PixNetは、様々な大きさのスポットにまたがる空間的に解決された遺伝子発現を予測し、病理学的スライド画像から直接スケールできる密集した予測ネットワークである。 組織学的スライド画像から空間的に高密度な連続遺伝子発現マップを生成し、興味のある場所の値を集約し、遺伝子発現を予測する。
  論文  参考訳（メタデータ） (2025-03-03T09:38:01Z)
• RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency [11.813883157319381]
  ランク付けに基づくアライメント損失を用いて、遺伝子と画像の特徴を整列する新しいフレームワークを提案する。 そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,アライメントの安定性をさらに向上させる。
  論文  参考訳（メタデータ） (2024-11-22T17:08:28Z)
• Distance-Preserving Spatial Representations in Genomic Data [0.0]
  単一細胞遺伝子発現データの空間的コンテキストは、多くの下流解析において重要であるが、実際的および技術的制限のため、しばしばアクセスできない。 本稿では、提供された遺伝子発現データに関連する空間座標を再構成できる汎用表現学習・伝達学習フレームワークdp-VAEを提案する。
  論文  参考訳（メタデータ） (2024-08-01T21:04:27Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• 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。