論文の概要: GC-MoE: Genomics-Guided Cell-Type-Specific Mixture of Experts for Histology-Based Single-Cell Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2606.02424v1
• Date: Mon, 01 Jun 2026 16:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.4785
• Title: GC-MoE: Genomics-Guided Cell-Type-Specific Mixture of Experts for Histology-Based Single-Cell Spatial Transcriptomics
• Title（参考訳）: GC-MoE: ゲノム誘導細胞型特異なヒストロジに基づく単一細胞空間転写学の専門家の混合
• Authors: Kaito Shiku, Ahtisham Fazeel Abbasi, Ryoma Bise, Yuichiro Iwashita, Kazuya Nishimura, Andreas Dengel, Muhammad Nabeel Asim,
• Abstract要約: 組織学に基づく単一細胞空間転写学(ST)推定は、個々の細胞に対する遺伝子発現を予測することを目的としている。 我々は,遺伝子型特異的な遺伝子発現予測の専門家をソフトに組み合わせ,ルーティングネットワークを用いて細胞型確率を推定するゲノミクス誘導細胞型特異的混合試験(GC-MoE)を提案する。 公開シングルセルSTデータセットの実験と改善は、既存のシングルセルと適応されたスポットレベルのベースラインに対して一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 8.974659688354253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histology-based single-cell spatial transcriptomics (ST) estimation aims to predict gene expression for individual cells from histopathological images and cell locations, reducing the need for costly single-cell ST measurements. Unlike existing histology-to-ST methods that mainly predict spot-level profiles for local regions containing multiple cells, this task requires modeling cell-to-cell expression variability, which is strongly structured by cell type. We propose Genomics-Guided Cell-Type-Specific Mixture-of-Experts (GC-MoE), which estimates cell-type probabilities with a routing network and softly combines cell-type-specific experts for gene expression prediction. To further encode cell-type-dependent gene programs, we introduce the Cell-Type-Specific Co-Expression-Aware Predictor (CAP), together with a lightweight Cell-to-Cell Interaction Attention (C2CA) module for neighboring-cell context. Experiments and ablations on public single-cell ST datasets show consistent improvements over existing single-cell and adapted spot-level baselines.
• Abstract（参考訳）: 組織学に基づく単一細胞空間転写学(ST)推定は, 組織像と細胞位置から個々の細胞の遺伝子発現を予測することを目的としており, コストのかかる単細胞ST測定の必要性を低減している。 複数の細胞を含む局所領域のスポットレベルのプロファイルを主に予測する既存の組織学-ST法とは異なり、このタスクは細胞タイプによって強く構造化された細胞間発現のバラツキをモデル化する必要がある。 我々は,遺伝子型特異的な遺伝子発現予測の専門家をソフトに組み合わせ,ルーティングネットワークを用いて細胞型確率を推定するゲノミクス誘導細胞型特異的混合試験(GC-MoE)を提案する。 細胞型依存型遺伝子プログラムをさらにエンコードするために,細胞間相互作用注意モジュール(C2CA)とともに,細胞型依存型コプレッション・アウェア・プレデクタ(CAP)を導入する。 公開シングルセルSTデータセットの実験と改善は、既存のシングルセルと適応されたスポットレベルのベースラインに対して一貫した改善を示している。

関連論文リスト

• Prototype Guided Post-pretraining for Single-Cell Representation Learning [0.0]
  遺伝子発現データからの単一細胞表現学習は、細胞機能の基礎となる複雑な制御ロジックを明らかにする手段を提供する。 遺伝子をトークンとして扱い、細胞を文として扱う、いくつかの単細胞事前訓練モデルが最近提案されている。 本稿では,単細胞基礎モデルの事前学習段階と微調整段階の間で動作するポストプレトレーニング手法であるCellRefineを紹介する。
  論文  参考訳（メタデータ） (2026-05-08T16:08:10Z)
• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• Refinement Contrastive Learning of Cell-Gene Associations for Unsupervised Cell Type Identification [37.569728273621315]
  非教師なし細胞型同定は、単細胞オミクス研究における異種集団の発見と特徴付けに不可欠である。 本稿では,より情報的な表現を導き出すために,細胞-遺伝子相互作用を明示的に組み込んだRefinement Contrastive Learning framework(scRCL)を提案する。 本手法は, セル型識別精度において, 常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:45:31Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Cell-ontology guided transcriptome foundation model [18.51941953027685]
  オープンバイオロジー・バイオメディカルオントロジーファウンデーションの細胞オントロジーグラフにマッピングされた細胞型ラベルを利用して,CellxGeneデータベースから2200万の細胞上でscCelloを事前訓練した。 我々のTFMは、生物学的に重要なタスクにおいて、既存のTFMよりも競合的な一般化と伝達性性能を示す。
  論文  参考訳（メタデータ） (2024-08-22T13:15:49Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Topological Data Analysis in Time Series: Temporal Filtration and Application to Single-Cell Genomics [13.173307471333619]
  単細胞トポロジカル単純解析(scTSA)を提案する。 このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。 38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
  論文  参考訳（メタデータ） (2022-04-29T12:46:14Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)

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。