論文の概要: LATTICE: Graph Self-Supervised Learning for Multimodal Spatial Omics Integration

• arxiv url: http://arxiv.org/abs/2607.14410v2
• Date: Sun, 19 Jul 2026 02:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.584829
• Title: LATTICE: Graph Self-Supervised Learning for Multimodal Spatial Omics Integration
• Title（参考訳）: LATTICE:マルチモーダル空間オミクス統合のためのグラフ自己教師付き学習
• Abstract要約: 我々は、調和したマルチモーダル特徴からスポットレベルの表現を学習するグラフベースのフレームワークであるLATTICEを提案する。 LATTICEは、Visium RNA、ScMultiome RNA、ScMultiome ATAC、Spatial ATAC、Spatial CUT&Tagの5つのアライメント・モダリティブロックを統合している。 プライベート11サンプルメラノーマコホートでは, LATTICEは安定な最適化挙動, 解析種子間の再現可能な埋め込み, 完全多モード結合を示した。
• 参考スコア（独自算出の注目度）: 0.7130835723594157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatially resolved omics studies increasingly combine transcriptomic and epigenomic assays, yet downstream analysis is often still performed using single-modality pipelines. We present LATTICE (Latent Alignment of Tissue-level and Transcriptomic Information for Cross-modal Embedding), a graph-based self-supervised framework that learns spot-level representations from harmonized multimodal features. LATTICE integrates five aligned modality blocks per Visium spot: Visium RNA, scMultiome RNA, scMultiome ATAC, spatial ATAC, and spatial CUT\&Tag. These modalities capture spatial transcriptomic measurements, single-cell inferred regulatory activity, and in situ chromatin and histone states within a unified lattice representation. LATTICE constructs a spatial neighborhood graph and trains a TransformerConv encoder using masked reconstruction, cross-modal alignment, and spatial smoothness objectives. On a private 11-sample melanoma cohort from an anonymized clinical collaborator comprising 54{,}912 total spots, LATTICE demonstrated stable optimization behavior, reproducible embeddings across analysis seeds, and complete multimodal integration across all samples. Adding scMultiome RNA to Visium RNA alone substantially improved concordance with Space Ranger clusters across 11 runs (adjusted Rand index [ARI] +0.157, normalized mutual information [NMI] +0.143, and spatial contiguity +0.174). Additional modalities further improved spatial contiguity and multimodal utility score (MUS), although they sometimes reduced agreement with RNA-derived reference labels, likely because the learned embeddings captured chromatin and regulatory structure beyond transcriptomic similarity alone. These results position LATTICE as a practical and empirically grounded framework for multimodal spatial omics integration, while also highlighting the need for stronger supervision and broader external benchmarking.
• Abstract（参考訳）: 空間的に解決されたオミクス研究は、トランスクリプトームとエピジェノミックアッセイを組み合わせる傾向にあるが、下流の分析は、しばしば単一モダリティパイプラインを用いて行われている。 マルチモーダル特徴からスポットレベルの表現を学習するグラフベースの自己教師型フレームワークであるLATTICE(Latent Alignment of tissue-level and Transcriptomic Information for Cross-modal Embedding)を提案する。 LATTICEは、Visium RNA、ScMultiome RNA、ScMultiome ATAC、Spatial ATAC、Spatial CUT\&Tagの5つのアライメント・モダリティブロックを統合している。 これらのモダリティは、空間転写学的測定、単一細胞推論制御活性、および統一格子表現におけるin situ chromatinおよびhitone状態をキャプチャする。 LATTICEは空間近傍グラフを構築し,マスク再構成,クロスモーダルアライメント,空間平滑性目標を用いたTransformerConvエンコーダを訓練する。 LATTICEは,54{,}912点からなる匿名臨床共同研究から得られた11サンプルのメラノーマコホートを用いて,安定な最適化挙動,解析種子への再現性埋め込み,全試料にわたる完全多モード統合を実証した。 scMultiome RNA を Visium RNA に加えることだけで、11ランにわたる Space Ranger クラスタとの整合性を大幅に改善した(調整された Rand index [ARI] +0.157,正規化された相互情報 [NMI] +0.143,空間的整合性 +0.174)。 追加のモダリティは空間整合性やマルチモーダルユーティリティスコア(MUS)をさらに向上させたが、RNA由来の基準ラベルとの一致を減少させることもあった。 これらの結果は、LATTICEをマルチモーダル空間オミクス統合の実践的で実証的な基盤となるフレームワークとして位置づけ、より強力な監督とより広範な外部ベンチマークの必要性を強調した。

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)
• CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation [1.8012666291588018]
  本稿では,単一セルと空間的マルチオミクスを統一したスケーラブルなマルチモーダル基盤モデルであるCellxPertを紹介する。 CellxPertはトランスクリプトーム(scRNA-seq)、アクセシビリティー・アクセシビリティー・アクセシビリティ(ATAC-seq)、表面プロテオーム(CITE-seq)を共同でコードする。 細胞型アノテーション,摂動応答予測,マルチオミック統合において,CellxPertは古典的および最先端のベースラインを超越していることを示す。
  論文  参考訳（メタデータ） (2026-04-30T21:34:16Z)
• A Multi-scale Fused Graph Neural Network with Inter-view Contrastive Learning for Spatial Transcriptomics Data Clustering [7.214595408714774]
  畳み込み後の空間的特徴と遺伝子的特徴を動的に統合するために,階層的に相互に注目するマルチスケールな相互融合グラフネットワークstMFGを提案する。 最先端の手法よりも優れており、特定のスライスで最大14%のARI改善を実現している。
  論文  参考訳（メタデータ） (2025-12-18T05:13:55Z)
• SIGMMA: Hierarchical Graph-Based Multi-Scale Multi-modal Contrastive Alignment of Histopathology Image and Spatial Transcriptome [0.5748432401788427]
  HE画像の階層的表現と空間トランスクリプトームプロファイルを学習するためのマルチモーダルコントラストアライメントフレームワークであるSigmmaを提案する。 細胞間相互作用をグラフとして表現することにより,組織内微小環境内での微細な細胞間相互作用を効果的に捉えることができる。 我々は、Sigmmが、クロスモーダル対応をよりよく捉えた表現を学習し、遺伝子発現予測タスクの9.78%、データセット間のクロスモーダル検索タスクの26.93%の改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2025-11-19T14:22:23Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
  空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。 現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。 本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T00:32:24Z)
• Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
  均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。 提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。 実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
  論文  参考訳（メタデータ） (2024-02-01T15:33:17Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Unify, Align and Refine: Multi-Level Semantic Alignment for Radiology Report Generation [48.723504098917324]
  マルチレベル・クロスモーダルアライメントを学習するためのUnify, Align, then Refine (UAR)アプローチを提案する。 本稿では,Latent Space Unifier,Cross-modal Representation Aligner,Text-to-Image Refinerの3つの新しいモジュールを紹介する。 IU-XrayおよびMIMIC-CXRベンチマークデータセットの実験と解析は、UARの様々な最先端手法に対する優位性を実証している。
  論文  参考訳（メタデータ） (2023-03-28T12:42:12Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)

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。