Fugu-MT 論文翻訳(概要): FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction

論文の概要: FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction

arxiv url: http://arxiv.org/abs/2605.18055v1
Date: Mon, 18 May 2026 08:43:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:49.194237
Title: FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction
Title（参考訳）: FLAG:空間遺伝子発現予測のためのグラフによる潜在拡散アライメントを用いた基礎モデル表現
Authors: Qi Si, Penglei Wang, Yushuai Wu, Yifeng Jiao, Xuyang Liu, Xin Guo, Yuan Qi, Yuan Cheng,
Abstract要約: 現在のモデルは、遺伝子調整や空間分布といった重要な生物学的構造を見落としている。我々は,このタスクを構造化分布モデルとして再定義する拡散ベースのフレームワークである textbfFLAG を紹介する。実験の結果,FLAGは従来の精度で高い競争力を持つことがわかった。
参考スコア（独自算出の注目度）: 21.300129464820984
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting spatial gene expression from routine H\&E enables large-scale molecular profiling, yet current models treat this as isolated pointwise tasks, thereby overlooking essential biological structures like gene coordination and spatial distribution. To preserve these relationships, we introduce \textbf{FLAG}, a diffusion-based framework that redefines this task as structured distribution modeling. At the same time, we identify the critical \textbf{Gene Dimension Curse}, where joint modeling gene expression and their spatial interactions fail in high-dimensional spaces, and FLAG solves this challenge by integrating a spatial graph encoder for topological consistency and utilizing Gene Foundation Model (GFM) alignment for gene-gene fidelity in the generation process. To rigorously assess model performance, we propose a set of novel structural evaluation metrics, including Gene Structural Correlation (\textbf{GSC}) and Spatial Structural Correlation (\textbf{SSC}). Our experiments demonstrate that FLAG is highly competitive in traditional accuracy (PCC/MSE) while achieving significantly enhanced structural fidelity in capturing both gene-gene and gene-spatial relationships. The code is available at https://github.com/darkflash03/FLAG.
Abstract（参考訳）: 通常のH\&Eから空間的遺伝子発現を予測することで、大規模な分子プロファイリングが可能になるが、現在のモデルは、これを孤立したポイントワイズタスクとして扱うことにより、遺伝子調整や空間分布といった重要な生物学的構造を見渡すことができる。これらの関係を維持するために,このタスクを構造化分布モデルとして再定義する拡散ベースのフレームワークであるtextbf{FLAG}を紹介する。 FLAGは、空間グラフエンコーダをトポロジ的整合性のために統合し、生成過程における遺伝子モデル(GFM)アライメントを活用して、その課題を解決する。モデルの性能を厳密に評価するために,遺伝子構造相関 (\textbf{GSC}) や空間構造相関 (\textbf{SSC}) などの新しい構造評価指標を提案する。 FLAGは従来の精度(PCC/MSE)において高い競争力を示し,遺伝子・遺伝子・空間的関係を捉える上で,構造的忠実度を著しく向上させた。コードはhttps://github.com/darkflash03/FLAGで公開されている。

関連論文リスト

Empowering Heterogeneous Graph Foundation Models via Decoupled Relation Alignment [20.128308877213044]
Decoupled Relation Subspace Alignment (DRSA)は、新しいプラグアンドプレイ関係駆動フレームワークである。特徴的意味論を関係構造から切り離すことによってパラダイムを根本的にシフトさせる。ユニバーサルプリプロセッシングモジュールとしてシームレスに統合することができる。
論文参考訳（メタデータ） (2026-05-01T15:31:36Z)
Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics [2.3129926848389633]
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。
論文参考訳（メタデータ） (2026-03-27T02:32:00Z)
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)
GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文参考訳（メタデータ） (2026-03-01T09:30:11Z)
ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文参考訳（メタデータ） (2025-07-19T04:46:53Z)
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)
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)
CausalGeD: Blending Causality and Diffusion for Spatial Gene Expression Generation [11.664880068737084]
本稿では,遺伝子間の因果関係を活用するために,拡散と自己回帰過程を組み合わせたCausalGeDを提案する。 10の組織データセットで、CausalGeDは最先端のベースラインを5～32%上回った。
論文参考訳（メタデータ） (2025-02-11T18:26:22Z)
GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文参考訳（メタデータ） (2025-02-11T05:39:49Z)

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。