論文の概要: Cross-scale spatially-aware generative modeling of transcriptomic programs underlying neurodegenerative brain organization

• arxiv url: http://arxiv.org/abs/2606.05870v1
• Date: Thu, 04 Jun 2026 08:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.660261
• Title: Cross-scale spatially-aware generative modeling of transcriptomic programs underlying neurodegenerative brain organization
• Title（参考訳）: 神経変性脳組織を基盤とした転写プログラムの大規模空間認識生成モデル
• Authors: Krishnakumar Vaithianathan,
• Abstract要約: アルツハイマー病のような神経変性疾患は、局所的な脳の脆弱性の高度に組織化されたパターンを示す。 本稿では,大脳皮質神経変性を基盤とした転写プログラムをモデル化するための,空間認識型大規模生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurodegenerative disorders such as Alzheimer's disease exhibit highly organized patterns of regional brain vulnerability, yet the biological mechanisms underlying this spatial selectivity remain incompletely understood. Existing imaging-transcriptomic studies have largely relied on correlation-based analyses between gene expression and neuroimaging phenotypes, limiting their ability to model how molecular organization gives rise to neurodegeneration. Here, we introduce a cross-scale spatially-aware generative framework for modeling transcriptomic programs underlying cortical neurodegeneration. Regional transcriptomic profiles were derived from the Allen Human Brain Atlas using 910 landmark genes across 68 cortical regions. Neurodegenerative vulnerability maps were constructed from ADNI FreeSurfer cortical thickness measurements by computing regional cortical thinning differences between cognitively normal controls (NC = 926) and Alzheimer's disease subjects (AD = 426). A variational generative architecture was used to learn latent biological programs linking regional gene-expression organization to cortical degeneration while incorporating graph-based spatial smoothness regularization to preserve cortical organization. The proposed framework achieved strong prediction of regional neurodegenerative vulnerability, yielding an explained variance of 0.8604 and a significant spatial correlation between predicted and observed cortical degeneration profiles (r = 0.9439, p < 0.001). The learned latent representations revealed structured transcriptomic organization associated with distributed disease susceptibility. These findings demonstrate that biologically constrained generative modeling can bridge microscale molecular organization with macroscale neurodegeneration, providing a foundation for spatially-aware generative neurobiology and computational neuroscience.
• Abstract（参考訳）: アルツハイマー病のような神経変性疾患は、高度に組織化された局所的な脳の脆弱性のパターンを示すが、この空間選択性の基礎となる生物学的メカニズムはいまだに完全に理解されていない。 既存の画像転写学的研究は、遺伝子発現とニューロイメージング表現型の間の相関に基づく分析に大きく依存しており、分子構造が神経変性を引き起こす過程をモデル化する能力を制限する。 本稿では,大脳皮質神経変性を基盤とした転写プログラムをモデル化するための,空間認識型大規模生成フレームワークを提案する。 アレン・ヒューマン・ブレイン・アトラス(Allen Human Brain Atlas)は、68の皮質領域に分布する910のランドマーク遺伝子を用いた。 認知正常コントロール (NC=926) とアルツハイマー病患者 (AD=426) の局所的皮質シンニング差を計算し, ADNI FreeSurfer 皮質厚測定から神経変性脆弱性マップを構築した。 局所遺伝子発現組織と皮質変性を繋ぐ潜伏生物プログラムを学習するために, グラフに基づく空間的滑らか度規則化を取り入れて, 皮質組織を保存した。 提案手法は局所神経変性の脆弱性を強く予測し,0.8604と予測された皮質変性プロファイルと観測された皮質変性プロファイル(r = 0.9439, p < 0.001)の間に有意な空間的相関が得られた。 学習した潜伏表現は, 分散型疾患感受性にともなう構造的トランスクリプトーム構造を示した。 これらの結果は、生物学的に制約された生成モデルが、ミクロな分子組織とマクロな神経変性を橋渡しし、空間的に認識された生成神経生物学と計算神経科学の基礎となることを示している。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• Domain-Specific Foundation Model Improves AI-Based Analysis of Neuropathology [2.938654134095825]
  我々は神経変性の病態にまたがる脳組織の全スライディング画像に特化して訓練された基礎モデルであるNeuroFMを開発した。 NeuroFMは、脳疾患の診断と研究のために、より正確で信頼性の高いAIベースの分析を可能にする。
  論文  参考訳（メタデータ） (2025-11-30T22:50:56Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
  神経型接続パターンからの分岐の定量化は、診断と治療の介入を知らせる有望な経路を提供する。 本稿では,生物にインスパイアされた深層生成モデルと規範的モデリングを統合したBRIDGEフレームワークによる脳表現について述べる。 BRIDGEは、接続ベースの脳年齢と時間年齢の違いに基づくグローバルなニューロディバージェンススコアと、局所的な接続性の違いを強調する地域的なニューロディバージェンスマップを提供する。
  論文  参考訳（メタデータ） (2024-10-14T20:21:11Z)
• SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease [0.0]
  認知症の主要な形態であるアルツハイマー病(AD)は、世界的な課題となっている。 現在の臨床診断は、放射線技師の専門家による解釈に依存しており、これは人間の誤りを招きやすい。 本稿では,SNeurodCNNという新しい構造に着目した神経変性CNNアーキテクチャを含むディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-08T14:33:57Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。