論文の概要: Spatial Transcriptomics-Guided Alignment Enhances Molecular Profiling in Pathology Foundation Model
- arxiv url: http://arxiv.org/abs/2606.03644v1
- Date: Fri, 29 May 2026 16:41:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:05.032928
- Title: Spatial Transcriptomics-Guided Alignment Enhances Molecular Profiling in Pathology Foundation Model
- Title（参考訳）: 病理基盤モデルにおける分子プロファイリングを促進する空間転写学-ガイドアライメント
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 43.24445461533517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Comprehensive molecular profiling is essential for modern precision oncology but remains hindered by prohibitive costs, specimen exhaustion, and protracted turnaround times. While pathology foundation models (PFMs) have demonstrated potential for inferring molecular phenotypes from routine hematoxylin and eosin (H&E) whole-slide images (WSIs), current architectures primarily rely on vision-centric self-supervised learning or vision-language alignment, lacking the spatially resolved molecular supervision required to connect subtle morphological features with underlying genomic alterations. Spatial transcriptomics (ST) emerges as a transformative technology that enables transcriptomic quantification within intact tissue sections, thereby preserving the precise spatial link between histology and molecular profiles. In this study, we present a Spatial Transcriptomics-guided Alignment framework for Molecular Profiling (STAMP), which endows PFMs with intrinsic molecular awareness. To support this paradigm, we curated HumanST-1k, a human ST dataset spanning diverse anatomical organs and sequencing platforms. This atlas yields 1.8 million pairs of H&E patches and corresponding transcriptomic profiles, providing a corpus that links histological structures with their molecular states. To mitigate the technical noise inherent to raw transcriptomics, STAMP applies a pathway-informed alignment strategy that aggregates transcriptomic data into biologically functional pathways, which are subsequently integrated into PFMs via parameter-efficient fine-tuning. This alignment enriches the representation space of PFMs and unlocks their capacity to resolve sub-visual molecular signatures. The clinical utility of these augmented representations was validated through a multi-tier evaluation framework.
- Abstract（参考訳）: 包括的分子プロファイリングは、現代の精密腫瘍学には不可欠であるが、禁止コスト、検体疲労、引き延ばし時間によって妨げられている。
病理基盤モデル(PFM)は、通常のヘマトキシリンとエオシン(H&E)全体スライド画像(WSI)から分子の表現型を推測する可能性を示しているが、現在のアーキテクチャは、主に視覚中心の自己監督学習や視覚言語アライメントに依存しており、基礎となるゲノム変化と微妙な形態学的特徴を結び付けるのに必要な、空間的に解決された分子の監督が欠如している。
空間転写学 (Spatial transcriptomics, ST) は、組織部分の転写学的定量化を可能にする変換技術として出現し、組織学と分子プロファイルの正確な空間的リンクを保っている。
本研究では,分子プロファイリング(STAMP)のための空間トランスクリプトミクス誘導アライメントフレームワークを提案する。
このパラダイムをサポートするために、さまざまな解剖学的臓器とシークエンシングプラットフォームにまたがるヒトSTデータセットであるHumanST-1kをキュレートした。
このアトラスは180万対のH&Eパッチと対応する転写プロファイルを生成し、組織構造と分子状態とを結びつけるコーパスを提供する。
生の転写学に固有の技術的ノイズを軽減するため、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、パラメータ効率の良い微調整によってPFMに統合する。
このアライメントは、PFMの表現空間を強化し、その能力を開き、視覚下分子シグネチャを解決する。
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。
関連論文リスト
- PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction [13.466764029232898]
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。
論文 参考訳（メタデータ） (2026-04-04T08:00:26Z) - MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models [5.15189458127282]
我々は、空間転写学の監督を事前学習した病理学の視覚変換器に組み込む微調整フレームワークであるMINTを提案する。
MINTは学習可能なSTトークンをViT入力に追加し、形態学的CLSトークンとは別個の転写情報をエンコードする。
MINTは、HEST-Benchの遺伝子発現予測と一般的な病理学タスクの両方において、最高の全体的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-09T02:29:10Z) - 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) - Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。
分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。
細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文 参考訳（メタデータ） (2025-07-22T04:35:50Z) - 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) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Focus on Focus: Focus-oriented Representation Learning and Multi-view Cross-modal Alignment for Glioma Grading [15.492493684721175]
マルチモーダル・ディープ・ラーニングは グリオーマの成績で 有望な成果を上げました
本稿では,FoF(FoF)フレームワークについて紹介する。FoF(FoF)フレームワークは,FoF(FoF)フレームワークとFoF(FoF)フレームワークを併用し,FoF(FoF)フレームワークとFoF(FoF)フレームワークを併用する。
TCGA GBM-LGGデータセットの実験により、我々のFoFフレームワークはグリオーマのグレーディングを大幅に改善することが示された。
論文 参考訳（メタデータ） (2024-08-16T04:54:10Z)
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。