Fugu-MT 論文翻訳(概要): Geometry-First Generative Spatial Single-Cell Reconstruction

論文の概要: Geometry-First Generative Spatial Single-Cell Reconstruction

arxiv url: http://arxiv.org/abs/2605.28200v1
Date: Wed, 27 May 2026 09:24:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-28 17:38:55.924606
Title: Geometry-First Generative Spatial Single-Cell Reconstruction
Title（参考訳）: 幾何学-第1世代空間単セル再構成
Authors: Ehtesamul Azim, Muhtasim Noor Alif, Tae Hyun Hwang, Yanjie Fu, Wei Zhang,
Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は多数の細胞をプロファイルするが、空間的文脈は失われる。 GEARSは、細胞型ラベルや組織像、細胞間配列の割り当てに頼ることなく、STによって誘導される固有の単一細胞空間幾何学を再構築する、幾何学第一のフレームワークである。推測において、GEARSは、scRNA-seqセルの多くの重なり合う部分集合上の幾何を再構成し、サブセット間のペア距離を予測し、大域的距離幾何学問題を解く。
参考スコア（独自算出の注目度）: 22.536808546976918
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Single-cell RNA sequencing (scRNA-seq) profiles large numbers of cells but loses spatial context, whereas spatial transcriptomics (ST) preserves partial spatial structure at lower resolution. Most existing integration methods either deconvolve spot mixtures or map cells onto a measured spot lattice, which ties reconstructions to a fixed grid and slide-specific coordinate systems, a limitation that is especially problematic in unpaired settings. We propose GEARS, a geometry-first framework that reconstructs an intrinsic single-cell spatial geometry guided by ST, without relying on cell-type labels, histological images, or cell-to-spot assignment. GEARS first learns a domain-invariant expression encoder that aligns ST spots and dissociated cells, and then trains a permutation-equivariant generator with a diffusion-based refiner with EDM-style preconditioning to generate local spatial geometries under pose-invariant supervision derived from ST coordinates. At inference, GEARS reconstructs geometry on many overlapping subsets of scRNA-seq cells, aggregates predicted pairwise distances across subsets, and solves a global distance-geometry problem to obtain canonical two-dimensional coordinates and a dense distance matrix. Extensive quantitative and qualitative experiments, including cross-section generalization, show that GEARS consistently improves global distance preservation, local neighborhood fidelity, and spatial distribution alignment compared to strong spatial mapping and deconvolution baselines.
Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は多数の細胞をプロファイルするが、空間的文脈は失われる。既存の統合手法の多くは、固定された格子とスライド固有の座標系に再構成を結び付ける、測定された斑点格子に斑点混合または細胞をマップする。本稿では, 細胞型ラベル, 組織像, 細胞間割り当てに頼ることなく, STにより誘導される固有の単一細胞空間幾何学を再構築する, 幾何学第一のフレームワークであるGEARSを提案する。 GEARSはまず、STスポットと2つの細胞を整列するドメイン不変な式エンコーダを学習し、その後、拡散型精製器とEDM型プレコンディショニングを併用した置換等価なジェネレータを訓練し、ST座標から派生したポーズ不変の指導の下で局所的な空間的ジオメトリを生成する。推測において、GEARSは、scRNA-seqセルの多くの重なり合う部分集合上の幾何を再構成し、サブセット全体で予測されるペア距離を集約し、大域的距離幾何学の問題を解き、標準2次元座標と密度距離行列を得る。断面一般化を含む大規模定量的・定性的実験により、GEARSは、強い空間マッピングやデコンボリューションベースラインと比較して、大域的距離保存、局所的近傍忠実度、空間分布アライメントを一貫して改善することを示した。

関連論文リスト

Topo-GS: Continuous Volumetric Embedding of High-Dimensional Data via Topological Gaussian Splatting [4.621191941382847]
Topo-GS は 3D Gaussian Splatting (3DGS) を再利用し、メッシュレスボリューム再構成プロセスとして多次元投影を行うフレームワークである。 Topo-GSは離散散乱プロットを連続体積表現に変換することに成功した。
論文参考訳（メタデータ） (2026-05-16T14:21:08Z)
Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
GTSA-PCAは主成分分析の幾何学的拡張である。曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
論文参考訳（メタデータ） (2026-04-20T20:36:36Z)
INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields [1.0487944945684993]
INST-Alignは、座標ベースの変形ネットワークと共有カノニカル表現場を結合する。最先端の平均OT精度(0.702)、NN精度(0.719)、チャンファー距離(94.9%)を実現している。また、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。
論文参考訳（メタデータ） (2026-04-13T21:44:18Z)
SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
論文参考訳（メタデータ） (2025-11-21T16:32:01Z)
GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
論文参考訳（メタデータ） (2025-11-12T06:48:43Z)
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)
Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
論文参考訳（メタデータ） (2024-10-16T17:53:26Z)
Coordinate Independent Convolutional Networks -- Isometry and Gauge Equivariant Convolutions on Riemannian Manifolds [70.32518963244466]
平坦空間と比較して大きな複雑さは、コンボリューション核が多様体にどのようなアライメントを適用するべきかが不明確であることである。コーディネート化の特定の選択は、ネットワークの推論に影響を与えるべきではない、と我々は主張する。座標独立と重み共有の同時要求は、ネットワーク上の同変要求をもたらす。
論文参考訳（メタデータ） (2021-06-10T19:54:19Z)

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。