論文の概要: DriftST: One-Step Generative Inference of Spatial Transcriptomics from H\&E Histology
- arxiv url: http://arxiv.org/abs/2607.04740v1
- Date: Mon, 06 Jul 2026 07:22:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.070457
- Title: DriftST: One-Step Generative Inference of Spatial Transcriptomics from H\&E Histology
- Title（参考訳）: DriftST:H&Eヒストロジーによる空間的トランスクリプトークスの一段階生成推定
- Authors: Yuhang Yang, Yonggan Bu, Shengyuan Zhou, Yiming Luo, Kai Zhang,
- Abstract要約: ヘマトキシリンとエオシン染色組織学から直接の発現を推定することは、費用対効果の代替となる。
H&E画像から空間的に解決された遺伝子発現を推定する統合フレームワークDriftSTを提案する。
ジェネリックな遺伝子パネル表現で操作すると、DriftSTは1つのフレームワークのスポットレベルとセルレベルの両方のデータに直接適用される。
- 参考スコア（独自算出の注目度）: 11.977375064177354
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatial Transcriptomics (ST) measures gene expression while preserving spatial context, but its high cost and low throughput leave public datasets small. Inferring expression directly from widely available Hematoxylin and Eosin (H&E) stained histology offers a cost-effective alternative. However, existing approaches face several limitations: regression methods over-smooth toward the conditional mean, while generative methods are faithful but require slow multi-step inference; most methods treat genes as independent and equally important, ignoring inter-gene dependencies and heterogeneous gene informativeness; and most are tailored to a single resolution, either spot-level or cell-level. To address these issues, we propose DriftST, a unified framework for inferring spatially resolved gene expression from H&E images. DriftST builds on a Cellular Drifting generative model that learns a direct drift from a histology-conditioned source to the expression distribution, retaining generative expressiveness while enabling efficient one-step generation. To capture gene structure, we introduce the STransformer, which combines a co-expression attention module for inter-gene dependencies with a gene residual gate for differential gene importance. Operating on a generic gene-panel representation, DriftST applies directly to both spot-level and cell-level data in one framework, and extensive experiments across diverse tissues and platforms show that it achieves state-of-the-art performance at both resolutions.
- Abstract（参考訳）: 空間的トランスクリプトミクス(ST)は、空間的コンテキストを維持しながら遺伝子発現を測定するが、その高コストと低スループットは、パブリックデータセットを小さくする。
広く利用可能なヘマトキシリンとエオシン(H&E)染色組織学から直接の発現を推定することは、費用対効果の代替となる。
しかし、既存のアプローチはいくつかの制限に直面している: 条件付き平均に対する回帰法は過度に滑らかであるが、生成法は忠実であるが、ゆっくりとした多段階推論を必要とする;ほとんどの方法は、遺伝子を独立かつ等しく重要なものとして扱い、遺伝子間の依存性や不均一な遺伝子情報を無視し、殆どはスポットレベルまたは細胞レベルのいずれかの単一の分解能に調整されている。
これらの問題に対処するために,H&E画像から空間的に解決された遺伝子発現を推定する統合フレームワークDriftSTを提案する。
DriftSTは、組織学的に条件付けられたソースから表現分布への直接的なドリフトを学習し、効率的なワンステップ生成を可能にしつつ、生成的表現性を維持する細胞ドリフト生成モデルに基づいて構築される。
遺伝子構造を捉えるために,遺伝子間の依存を関連づける共同表現型アテンションモジュールと遺伝子残基ゲートを組み合わせたSTransformerを導入する。
DriftSTは、ジェネリックな遺伝子パネル表現に基づいて、1つのフレームワークのスポットレベルとセルレベルのデータに直接適用し、多様な組織やプラットフォームにわたる広範な実験により、両方の解像度で最先端のパフォーマンスを達成することが示されている。
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) - HEXST: Hexagonal Shifted-Window Transformer for Spatial Transcriptomics Gene Expression Prediction [2.545948917437212]
HEXSTは、組織学からの空間的遺伝子発現予測のための幾何整列変換器である。
ヘキサゴナルスポット座標を直接操作し、効率的な局所-グローバルな文脈モデリングを可能にする。
7つの空間転写学データセットで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-06T09:34:56Z) - Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images [5.072469295071516]
HINGE (HIstology-coNditioned GEneration) は、訓練済みの sc-FM を条件付き表現生成器に適合させる。
3つのSTデータセットに基づいて評価し、平均ピアソン相関に基づいて最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-20T08:52:39Z) - Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。
scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-02-03T16:43:40Z) - 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) - Scalable Single-Cell Gene Expression Generation with Latent Diffusion Models [11.343106383645441]
単一細胞遺伝子発現データに対してスケーラブルな潜伏拡散モデルを導入し、これを scLDM と呼ぶ。
観測および摂動単細胞データおよびセルレベルの分類などの下流タスクにおいて,様々な実験において,その優れた性能を示す。
論文 参考訳（メタデータ） (2025-11-04T20:44:12Z) - GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。
我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。
GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2025-10-05T18:28:21Z) - Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。
CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - 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)
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。