論文の概要: Single-Cell Cross-Modal Transfer by Adversarial Fine-Tuning of Foundation Models

• arxiv url: http://arxiv.org/abs/2606.07676v1
• Date: Thu, 04 Jun 2026 19:06:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.267282
• Title: Single-Cell Cross-Modal Transfer by Adversarial Fine-Tuning of Foundation Models
• Title（参考訳）: 基本モデルの逆微調整による単セルクロスモーダルトランスファー
• Authors: Joseph Boyd, Matthew Lyon, Martino Mansoldo, Christian Hurry, Finnian Firth,
• Abstract要約: 単一セルのファウンデーションモデルを用いて,逆方向の微調整により,この変換を行うことができることを示す。 マルチオミクス翻訳のための手法に対して,本手法が好適に動作することを示す。
• 参考スコア（独自算出の注目度）: 0.869928033942254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics (ST) is a powerful tool for exploring biological properties dependent on structure, proximity, and interaction in tissue. The methods underpinning ST are developing rapidly but are limited in their ability to profile many thousands of genes at a subcellular scale. Although dissociated from tissue, it is known that the whole-transcriptome readouts of cells in single-cell RNA sequencing (scRNA-seq) retain information about their former in situ neighbourhoods, motivating computational methods to recover it. While paired ST and scRNA-seq datasets are scarce, each modality in its own right is abundantly available. We therefore propose to perform cross-modal translation between unpaired ST and scRNA-seq data. In this work we show that a single-cell foundation model can perform this translation via adversarial fine-tuning. We demonstrate that our method performs favourably against methods built for multi-omics translation.
• Abstract（参考訳）: 空間転写学(Spatial transcriptomics、ST)は、組織の構造、近接性、相互作用に依存する生物学的性質を探索するための強力なツールである。 STを支える手法は急速に発展しているが、数千の遺伝子を細胞内スケールでプロファイルする能力は限られている。 組織とは関連しているが、単細胞RNAシークエンシング(scRNA-seq)における細胞の全転写産物の読み出しは、彼らの以前のin situ地区に関する情報を保持し、それを回復するための計算手法を動機付けていることが知られている。 ペア ST と scRNA-seq のデータセットは少ないが、それぞれの右辺のモダリティは豊富である。 そこで本稿では、未ペアSTと scRNA-seq データの相互変換を提案する。 本研究では,単一セルのファウンデーションモデルを用いて,逆方向の微調整による翻訳を行うことができることを示す。 マルチオミクス翻訳のための手法に対して,本手法が好適に動作することを示す。

関連論文リスト

• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction [48.07329582311906]
  本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。 スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
  論文  参考訳（メタデータ） (2026-05-12T06:48:58Z)
• TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis [56.9460577864211]
  TRIDENTは、摂動と対応する遺伝子発現プロファイルの両方を条件にすることで、現実的な細胞形態を合成するカスケード生成フレームワークである。 TRIDENTは最先端のアプローチよりも優れており、目に見えない化合物への強い一般化で最大7倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-11-23T04:43:27Z)
• CASPER: Cross-modal Alignment of Spatial and single-cell Profiles for Expression Recovery [4.405170201880593]
  現在のプラットフォームは、実験的な制約と過剰なコストのために、限られた遺伝子だけを測定する。 本研究では,空間的トランスクリプトロミクスにおける未測定遺伝子発現を予測するクロスアテンションベースのフレームワークであるCASPERを提案する。
  論文  参考訳（メタデータ） (2025-11-19T05:36:05Z)
• Helix-mRNA: A Hybrid Foundation Model For Full Sequence mRNA Therapeutics [3.2508287756500165]
  mRNAベースのワクチンは製薬業界において主要な焦点となっている。 この性質のためにmRNA配列を最適化するのは 難しい課題です これらの課題に対処するために、構造化された状態空間ベースおよび注目ハイブリッドモデルであるHelix-mRNAを提案する。
  論文  参考訳（メタデータ） (2025-02-19T14:51:41Z)
• scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain [46.39828178736219]
  我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。 scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。 これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
  論文  参考訳（メタデータ） (2023-10-04T10:30:08Z)
• Bayesian Reconstruction and Differential Testing of Excised mRNA [0.0]
  我々は、転写と局所スプライシングの視点を調和させる最初の確率モデルを開発する。 拡張mRNA(BREM)の再構成のための新しい階層的ベイズ混和モデルを提案する。 BREMは局所スプライシングイベントとフル長の転写産物を補間し、高い後部確率を持つ中小企業にのみ焦点をあてる。
  論文  参考訳（メタデータ） (2022-11-14T04:46:33Z)
• Accurate RNA 3D structure prediction using a language model-based deep learning approach [50.193512039121984]
  RhoFold+はRNA言語モデルに基づくディープラーニング手法で、配列から単一鎖RNAの3次元構造を正確に予測する。 RhoFold+はRNA 3D構造予測のための完全に自動化されたエンドツーエンドパイプラインを提供する。
  論文  参考訳（メタデータ） (2022-07-04T17:15:35Z)

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。