論文の概要: Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2606.21156v1
• Date: Fri, 19 Jun 2026 06:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 07:50:30.316971
• Title: Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics
• Title（参考訳）: 空間転写学のためのコントラスト型・適応型マルチモーダルマスクオートエンコーダ
• Authors: Joohyeok Kim, Taejin Jeong, Jinyeong Kim, Seong Jae Hwang,
• Abstract要約: 我々は、部分的な遺伝子発現を用いて、組織像とともに予測過程を導出する。 本研究では,masked Autoencoder (MAE) を用いて,少数の遺伝子発現を遺伝子アンカーとして利用し,全スライディング遺伝子発現プロファイルを推定する。 我々のフレームワークは、ヒストロジのみの予測と空間的計算の両方において、既存の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.067087306213525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high cost of spatial transcriptomics (ST) has driven extensive studies into predicting gene expression directly from H&E histology images. However, this prediction task faces an inherent limitation, as tissue morphology alone provides insufficient information to fully resolve underlying gene expression. To address this limitation, a recent study leverages partial gene expression to guide the prediction process alongside histology images. Building on this paradigm, we approach the prediction task as a spatial imputation problem, employing a Masked Autoencoder (MAE) to utilize a small fraction of gene expression as genetic anchors for inferring whole-slide gene expression profiles. Specifically, we propose a bio-saliency score and a learning-to-rank strategy to adaptively identify the most informative spots within the tissue. Based on these identified spots, our framework selects contiguous regions as genetic anchors to ensure suitability for real-world ST profiling hardware. To effectively leverage these anchors, we design a cross-modal joint encoder that integrates visual and genetic modalities. By aligning the selected anchors with their corresponding visual features via contrastive learning, the encoder generates robust joint representations to accurately predict gene expression across the whole slide. Notably, our framework consistently surpasses existing methods in both histology-only prediction and spatial imputation, achieving superior accuracy even without genetic anchors and further excelling with as little as 10% transcriptomic coverage. Our code is available at https://github.com/Kyyle2114/CAMMST.
• Abstract（参考訳）: 空間転写学(ST)のコストが高いことから、H&Eの組織像から直接遺伝子発現を予測する研究が盛んに行われている。 しかし、この予測タスクは、組織形態だけでは、基礎となる遺伝子発現を完全に解決するには不十分な情報を提供するため、固有の制限に直面している。 この制限に対処するため、最近の研究では、部分的な遺伝子発現を活用して、組織像とともに予測過程をガイドしている。 このパラダイムに基づいて,Masked Autoencoder (MAE) を用いて,空間的計算問題として予測タスクにアプローチし,少数の遺伝子発現を遺伝的アンカーとして利用し,全スライディング遺伝子発現プロファイルを推定する。 具体的には,組織内の最も情報に富むスポットを適応的に識別するバイオサリシティスコアと学習 to ランク戦略を提案する。 これらの特定点に基づいて,本フレームワークは,実世界のSTプロファイリングハードウェアに適した遺伝子アンカーとして,連続した領域を選択する。 これらのアンカーを効果的に活用するために、視覚と遺伝的モダリティを統合したクロスモーダルジョイントエンコーダを設計する。 コントラスト学習により、選択したアンカーを対応する視覚特徴と整列させることにより、エンコーダは堅牢な関節表現を生成し、スライド全体の遺伝子発現を正確に予測する。 特に,本フレームワークは,遺伝子アンカーを使わずに優れた精度を達成し,さらに10%の転写学的カバレッジを達成し,組織学的にのみ予測と空間的計算の両方において既存の手法を一貫して上回っている。 私たちのコードはhttps://github.com/Kyyle2114/CAMMSTで利用可能です。

関連論文リスト

• Dual-Path Knowledge-Augmented Contrastive Alignment Network for Spatially Resolved Transcriptomics [5.455957568203595]
  コストが高いため、スライド画像全体から空間的遺伝子発現を予測する努力が進められている。 現在の手法は、高レベルの生物学的文脈の過小評価など、重大な制限に直面している。 DKAN(Dual-path Knowledge-Augmented contrastive alignment Network)を提案する。
  論文  参考訳（メタデータ） (2025-11-21T10:58:04Z)
• Learning from Gene Names, Expression Values and Images: Contrastive Masked Text-Image Pretraining for Spatial Transcriptomics Representation Learning [2.234171233882506]
  CoMTIPはContrastive Masked Text-Image Pretrainingフレームワークである。 画像、遺伝子名、表現値から学習し、空間転写学の微粒な視覚的コンテキストをキャプチャする。 CoMTIPは、様々な下流タスクにおける従来の手法を超えるだけでなく、ゼロショットの遺伝子発現予測も達成している。
  論文  参考訳（メタデータ） (2025-09-21T03:05:17Z)
• A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics [8.854289521774483]
  HESCAPEは空間転写学におけるクロスモーダルコントラスト事前学習の評価のためのベンチマークである。 空間転写学データに事前訓練された遺伝子モデルは、空間データや単純なベースラインアプローチなしで訓練された遺伝子よりも優れている。 バッチ効果は、効果的なクロスモーダルアライメントを阻害する重要な要因である。
  論文  参考訳（メタデータ） (2025-08-02T21:11:36Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• Multimodal contrastive learning for spatial gene expression prediction using histology images [13.47034080678041]
  空間的トランスクリプトミクス表現予測のための Transformer と Densenet-121 エンコーダを用いたマルチモーダルコントラスト学習である textbfmclSTExp を提案する。 textbfmclSTExpは空間的遺伝子発現を予測するのに優れた性能を持つ。 がん特異的な過剰発現遺伝子を解釈し、免疫関連遺伝子を解明し、病理学者によって注釈された特別な空間領域を特定することには、有望であることが示されている。
  論文  参考訳（メタデータ） (2024-07-11T06:33:38Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。