論文の概要: COAST: Context-Aware Differential Learning for Gene Expression Prediction in Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2607.09166v1
• Date: Fri, 10 Jul 2026 07:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.807272
• Title: COAST: Context-Aware Differential Learning for Gene Expression Prediction in Spatial Transcriptomics
• Title（参考訳）: COAST:空間転写学における遺伝子発現予測のための文脈認識差分学習
• Abstract要約: 空間的遺伝子発現予測のための文脈認識型差分学習フレームワークCOASTを提案する。 COASTはTransformerエンコーダを使用してターゲットとコンテキストのスポットトークンを集約し、きめ細かいローカルパターンとスライドレベルの構造の両方をキャプチャする。 複数の空間トランスクリプトミクスデータセットの実験では、相関と分布に基づくメトリクスが一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 2.073620179775842
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatial transcriptomics enables profiling of spatial gene expression but is limited by high cost and low throughput, motivating prediction from H&E histopathology images. Existing context-aware methods mainly supervise absolute expression, while relative expression relationships between spots are rarely used explicitly. We propose COAST, a context-aware differential learning framework for spatial gene expression prediction. COAST conditions the local and global context features with type-specific modulation and aggregates the target and context spot tokens using a Transformer encoder to capture both fine-grained local patterns and slide-level structure. It is trained with a joint objective that combines absolute expression regression with signed differential regression between the target and context spots. Experiments on multiple spatial transcriptomics datasets show consistent improvements in correlation- and distribution-based metrics, demonstrating the effectiveness of context-aware differential learning for histology-based spatial gene expression prediction.
• Abstract（参考訳）: 空間転写学は、空間遺伝子発現のプロファイリングを可能にするが、高コストと低スループットによって制限され、H&E病理像からの予測を動機付けている。 既存の文脈認識手法は主に絶対表現を監督するが、スポット間の相対的表現関係は明確には使われない。 空間的遺伝子発現予測のための文脈認識型差分学習フレームワークCOASTを提案する。 COAST条件は、ローカルとグローバルのコンテキストの特徴を型固有の変調で表現し、Transformerエンコーダを使用してターゲットとコンテキストのスポットトークンを集約することで、きめ細かいローカルパターンとスライドレベルの構造の両方をキャプチャする。 絶対表現回帰と、ターゲットとコンテキストスポット間の符号付き差分回帰を組み合わせた共同目的で訓練される。 複数の空間転写学データセットの実験では、相関および分布に基づくメトリクスが一貫した改善を示し、組織学に基づく空間遺伝子発現予測における文脈認識差学習の有効性を示した。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Learning Spatial-Temporal Coherent Correlations for Speech-Preserving Facial Expression Manipulation [75.05465510260944]
  音声保存顔表情操作(SPFEM)は、音声コンテンツに関連する口のアニメーションを注意深く維持しながら、顔の感情を変更することを目的としている。 現在の作業は、現実のシナリオにおけるSPFEM適用を制限するため、2つのアライメントフレームが同じ音声内容を示すが、感情表現では異なる、アクセス不能なペアトレーニングサンプルに依存している。 本稿では、上記の相関関係を明示的な指標としてモデル化し、その指標を統合して、表情の操作を監督し、音声コンテンツの表情アニメーションをよりよく保存する新しい時空間コヒーレント相関学習(STCCL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-04-22T06:20:10Z)
• 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)
• Distance-Preserving Spatial Representations in Genomic Data [0.0]
  単一細胞遺伝子発現データの空間的コンテキストは、多くの下流解析において重要であるが、実際的および技術的制限のため、しばしばアクセスできない。 本稿では、提供された遺伝子発現データに関連する空間座標を再構成できる汎用表現学習・伝達学習フレームワークdp-VAEを提案する。
  論文  参考訳（メタデータ） (2024-08-01T21:04:27Z)
• SEPAL: Spatial Gene Expression Prediction from Local Graphs [1.4523812806185954]
  視覚組織の外観から遺伝子プロファイルを予測する新しいモデルであるSEPALを提案する。 本手法は, 平均表現に対する相対差を直接観察することにより, 問題の生物学的バイアスを生かしている。 そこで本研究では,転写学における現在のベストプラクティスに従うことにより,タスクをより適切に定義することを目的とした新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-09-02T23:24:02Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Spatial machine-learning model diagnostics: a model-agnostic distance-based approach [91.62936410696409]
  本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。 統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。 この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2021-11-13T01:50:36Z)
• HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
  ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。 本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:27:50Z)
• APo-VAE: Text Generation in Hyperbolic Space [116.11974607497986]
  本稿では,双曲型潜在空間におけるテキスト生成について検討し,連続的な階層表現を学習する。 適応型ポインケア可変オートエンコーダ (APo-VAE) を提示し, ポインケア球上における潜伏変数の事前および変動後部の両方を包み込み正規分布により定義する。 言語モデリングと対話応答生成における実験は,提案したAPo-VAEモデルの有効性を示す。
  論文  参考訳（メタデータ） (2020-04-30T19:05:41Z)

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。