論文の概要: SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation with Deep Neural Network

• arxiv url: http://arxiv.org/abs/2606.08712v1
• Date: Sun, 07 Jun 2026 16:07:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.406449
• Title: SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation with Deep Neural Network
• Title（参考訳）: SNR-ST-Mix: 深部ニューラルネットワークを用いた拡張空間トランスクリプトミクスインプットのためのサンプル特異的近傍回帰混合
• Authors: Hongyi Yu, Yaoyu Fang, Jiahe Qian, Xinkun Wang, Lee A. Cooper, Bo Zhou,
• Abstract要約: SNR-ST-Mixは空間転写学データのための幾何学的・表現的データ拡張フレームワークである。 スポットのk-アネレスト空間近傍への混合を制約し、表現の類似性に基づいた重みを適応的に実現する。 アーキテクチャの変更や追加の計算を必要とせずに、従来の拡張メソッドを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 3.6332654414380214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Spatial transcriptomics (ST) enables gene expression measurements within the tissue context. However, these measurements are often noisy, low-resolution, and sparsely sampled, which limits the recovery of fine spatial structure. Deep neural networks have become powerful tools for expression imputation from histology, but their performance remains constrained by limited sample sizes and a lack of biologically informed augmentation. Most of the existing augmentation strategies for learning are designed for classification tasks rather than regression, which neglect spatial and transcriptomic relationships, leading to biologically implausible interpolations that hinder prediction performance. Approach: To address these limitations, we propose SNR-ST-Mix, a geometry- and expression-aware data augmentation framework designed specifically for ST data. It constrains mixing to a spot's k-nearest spatial neighbors and adaptively weights interpolation coefficients based on expression similarity, generating augmented samples that preserve local biological structure while ensuring spatial smoothness. This dual conditioning yields synthetic examples that expand the effective training manifold, promote generalization, and enhance prediction stability under sample-specific training. Results: Extensive experiments with various tissue types demonstrate that SNR-ST-Mix consistently outperforms conventional augmentation methods without requiring architectural changes or additional computation. Conclusions: SNR-ST-Mix provides an effective and biologically principled augmentation strategy for spatial transcriptomics regression tasks. By explicitly leveraging spatial geometry and transcriptomic similarity, it expands the effective training manifold and improves predictive performance without increasing model complexity.
• Abstract（参考訳）: 目的:空間転写学(ST)は、組織コンテキスト内での遺伝子発現の測定を可能にする。 しかし、これらの測定は、しばしばノイズ、低分解能、スパースサンプリングであり、微細な空間構造の回復を制限している。 ディープニューラルネットワークは、組織学から表現インパクションの強力なツールとなっているが、その性能は、限られたサンプルサイズと生物学的にインフォームドされた増強の欠如によって制限されている。 既存の学習の強化戦略のほとんどは、回帰よりも分類タスクのために設計されており、空間的およびトランスクリプト的関係を無視し、予測性能を阻害する生物学的に不可解な補間をもたらす。 アプローチ: これらの制約に対処するために,STデータ専用に設計された幾何および式対応データ拡張フレームワークであるSNR-ST-Mixを提案する。 場所のk-アネレスト空間近傍への混合を制約し、表現類似性に基づいて補間係数を適応的に重み付け、局所的な生物学的構造を保ちながら空間的滑らかさを確保した強化サンプルを生成する。 この双対条件付けは、効果的なトレーニング多様体を拡張し、一般化を促進し、サンプル固有のトレーニングの下で予測安定性を高める合成例をもたらす。 結果: SNR-ST-Mixは, 構造変化や追加計算を必要とせず, 従来の拡張法より一貫して優れていた。 結論: SNR-ST-Mix は空間転写学的回帰タスクに対して効果的で生物学的に原則化された拡張戦略を提供する。 空間幾何学と転写類似性を明示的に活用することにより、効果的なトレーニング多様体を拡張し、モデルの複雑さを増大させることなく予測性能を向上させる。

関連論文リスト

• Structure-Guided Adaptive Propagation for Protein-Protein Interaction Site Prediction [6.128739346306066]
  PPIS予測のための構造誘導適応伝搬モデルであるSGAP-PPISを提案する。 その結果,SGAP-PPIS は Test_60 上での最先端手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2026-06-01T07:03:00Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Renormalization Group Guided Tensor Network Structure Search [58.0378300612202]
  ネットワーク構造探索(TN-SS)は、高次元データ表現における効率的なテンソル分解のための最適なネットワークトポロジとランクロバスト性を自動的に発見することを目的としている。 RGTN(Renormalization Group Guided Network Search)は、TN-SSを変換する物理に着想を得たフレームワークである。
  論文  参考訳（メタデータ） (2025-12-31T06:31:43Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification [1.2871580250533408]
  ハイパースペクトル画像分類は、精密農業において重要な役割を担い、作物の健康モニタリング、病気の検出、土壌分析に関する正確な洞察を提供する。 従来の手法は高次元データ、スペクトル空間の冗長性、ラベル付きサンプルの不足に悩まされ、しばしば準最適性能に繋がる。 これらの課題に対処するために,テンソル分解と正規化機構を組み合わせた自己適応正規化ネットワーク(SDTN)を提案し,テンソルランクを動的に調整する。 このアプローチは、高い分類精度を維持するだけでなく、計算の複雑さを大幅に減らし、リソース制約のある環境でのリアルタイムデプロイメントに非常に適している。
  論文  参考訳（メタデータ） (2025-07-13T04:53:33Z)
• A Study of Hybrid and Evolutionary Metaheuristics for Single Hidden Layer Feedforward Neural Network Architecture [1.024113475677323]
  SGD(Gradient Descent)を用いた人工ニューラルネットワーク(ANN)のトレーニングは、しばしば困難に遭遇する。 本研究では,Particle Swarm Optimization (PSO) と遺伝的アルゴリズム (GA) について検討する。 局所探索効率を向上させるためにハイブリッドPSO-SGD戦略を開発した。
  論文  参考訳（メタデータ） (2025-06-17T04:12:58Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• SUICA: Learning Super-high Dimensional Sparse Implicit Neural Representations for Spatial Transcriptomics [23.396154129613528]
  空間トランスクリプトミクス(Spatial Transcriptomics、ST)は、空間座標に整列した遺伝子発現プロファイルをキャプチャする手法である。 本稿では,提案ツールSUICAを用いて,STを連続的かつコンパクトにモデル化する。 グラフ拡張オートエンコーダを組み込んで,非構造化スポットのコンテキスト情報を効果的にモデル化する。
  論文  参考訳（メタデータ） (2024-12-02T05:02:18Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)

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。