論文の概要: A vision foundation model for single-cell biology via spatial gene cartography
- arxiv url: http://arxiv.org/abs/2607.14163v1
- Date: Wed, 15 Jul 2026 01:03:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.847339
- Title: A vision foundation model for single-cell biology via spatial gene cartography
- Title（参考訳）: 空間的遺伝子地図法による単細胞生物学の視覚基礎モデル
- Abstract要約: scVisionは、各セルを連続したイメージとしてレンダリングするビジョン基盤モデルである。
単一の共有されたパンチップ配置上の固定された位置に遺伝子を配置し、共発現された遺伝子が空間的に近接するようにする。
scVisionは最も正確な細胞型アノテータであり、監督なしで遺伝子プログラムを復元する。
- 参考スコア（独自算出の注目度）: 36.59425810402625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most single-cell foundation models are adapted from language models, representing each cell as a sequence of gene tokens. This discards the relationships among genes and often the magnitude of their expression. We present scVision, a vision foundation model that instead renders each cell as a continuous image. Using optimal transport, it places genes at fixed positions on a single shared, pan-tissue layout so that co-expressed genes become spatial neighbours, turning a transcriptome into an image in which gene programs appear as local texture. We pretrain a vision transformer by masked image modelling on 72 million human cells and use the frozen encoder with no fine-tuning. In zero-shot evaluations on six independent, held-out studies, scVision is the most accurate cell-type annotator and recovers gene programs without supervision, ahead of existing foundation models and classical baselines; on multi-study integration it matches the strongest token-based model while conserving the most biological structure, without ever seeing a batch label. Permuting the gene layout with the network fixed sharply lowers accuracy, more than removing the vision transformer itself, showing that biologically meaningful position, not the network, carries the signal. By preserving expression magnitude and gene relationships, scVision reframes single-cell representation learning as a vision problem, connecting it to the mature methods of computer vision.
- Abstract（参考訳）: ほとんどの単一細胞基盤モデルは言語モデルから適応しており、各細胞を遺伝子トークンのシーケンスとして表している。
これは遺伝子間の関係や、しばしばその発現の大きさを破棄する。
我々は、各セルを連続した画像としてレンダリングする視覚基盤モデル scVision を提示する。
最適な輸送手段を用いて、遺伝子を単一の共有されたパンチップ配置に固定した位置に配置することで、共発現された遺伝子が空間的に隣り合うようにし、トランスクリプトームを遺伝子プログラムが局所的なテクスチャとして現れるイメージに変換する。
我々は、7200万のヒト細胞をマスクした画像モデリングにより視覚変換器を事前訓練し、微調整なしで凍結エンコーダを使用する。
独立した6つの研究のゼロショット評価では、 scVisionは最も正確な細胞型アノテータであり、既存の基礎モデルや古典的なベースラインよりも先に、監督なしで遺伝子プログラムを復元する。
遺伝子レイアウトをネットワークに固定することで、視覚変換器自体を除去するよりも精度を著しく低下させ、ネットワークではなく生物学的に意味のある位置が信号を運ぶことを示す。
scVisionは、遺伝子発現の規模と遺伝子関係を保存することにより、単一セル表現学習を視覚問題として再編成し、コンピュータビジョンの成熟した方法に接続する。
関連論文リスト
- VOICE: A Vision-Omics Foundation Model Integrating Direct and Retrieval-Based Prediction of In-situ Single-Cell Gene Expression [12.854881472840363]
ペアXeniumデータを用いて,H&E画像から単一セル表現を予測する多モーダル基礎モデルを提案する。
VICEはXeniumの保留患者、スライド、部分重なり合う遺伝子パネルに一般化し、7つの指標で以前の単細胞表現予測方法より一貫して優れている。
論文 参考訳（メタデータ） (2026-08-08T23:36:00Z) - BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。
学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。
CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
論文 参考訳（メタデータ） (2026-08-06T11:58:29Z) - Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views [8.738986684868424]
相補的な転写学的な視点から細胞表現を学習する対照的な事前学習フレームワークを提案する。
本研究では,共同発現誘導遺伝子パーティショニング,表現認識コントラストセット構築,コントラストオンセットという3次元の具体的適応を導入する。
論文 参考訳（メタデータ） (2026-08-02T04:35:45Z) - Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics [9.067087306213525]
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。
論文 参考訳（メタデータ） (2026-06-19T06:47:55Z) - MorphGen: Controllable and Morphologically Plausible Generative Cell-Imaging [31.990445585569688]
MorphGenは、蛍光顕微鏡のための最先端拡散ベースの生成モデルである。
蛍光チャネルの完全なセットを共同で生成し、構造体ごとに保存する。
MorphGenは、以前の最先端のMorphoDiffよりも35%低いFIDスコアを獲得している。
論文 参考訳（メタデータ） (2025-10-01T13:34:29Z) - SPATIA: Multimodal Model for Prediction and Generation of Spatial Cell Phenotypes [39.45743286683448]
本研究では,空間転写学のマルチスケール生成予測モデルであるSPATIAを紹介する。
SPATIAは、画像由来のモルフォロジートークンと転写ベクタートークンを融合させることで、細胞レベルの埋め込みを学習する。
われわれはSPATIAを12のタスクにまたがる13の既存モデルに対してベンチマークする。
論文 参考訳（メタデータ） (2025-07-07T06:54:02Z) - HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data [25.915980581662023]
本稿では,空間転写学とトランスフォーマーのための階層グラフ基盤モデルであるHEISTを紹介する。
HEISTは、124の組織から15の臓器の22.3M細胞に、空間的に認識されるコントラストとマスクされた自己エンコーディングの目的を用いて事前訓練されている。
論文 参考訳（メタデータ） (2025-06-11T12:29:01Z) - 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) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳（メタデータ） (2023-01-07T18:36:44Z) - ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for
Image Recognition and Beyond [76.35955924137986]
我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。
ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。
我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
論文 参考訳（メタデータ） (2022-02-21T10:40:05Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z)
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。