論文の概要: HierarchicalDAEW: Domain-Aware Edge-Weighted Graph Convolution with Evidential Uncertainty for Multi-Section Spatial Gene Expression Prediction from H&E Histology
- arxiv url: http://arxiv.org/abs/2607.20896v1
- Date: Thu, 23 Jul 2026 03:33:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.27158
- Title: HierarchicalDAEW: Domain-Aware Edge-Weighted Graph Convolution with Evidential Uncertainty for Multi-Section Spatial Gene Expression Prediction from H&E Histology
- Title（参考訳）: HierarchicalDAEW:H&Eヒストロジーを用いた多次元空間遺伝子発現予測のための証拠不確実性を考慮したドメイン対応エッジ重み付きグラフ畳み込み
- Abstract要約: 転写学予測における両方のギャップに対処するデュアルグラフアーキテクチャであるHierarchicalDAEWを紹介する。
スポットグラフでは、Domain-Aware Edge-Weighted Convolutional operatorがドメイン間、ドメイン内、バウンダリエッジの別々のプロジェクションを学習する。
次に、第2の遺伝子レベルでのグラフは、STRING-DBからのタンパク質とタンパク質の相互作用を、学習された注意のゲーティングを通じて組織固有の共発現と融合させる。
信頼性は明らかな不確実性推定によって処理され、モンテカルロのドロップアウトよりもはるかに優れたキャリブレーションされた信頼区間が生成される。
- 参考スコア（独自算出の注目度）: 10.175236828864765
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatial transcriptomics assays remain costly and technically demanding, restricting transcriptome-wide profiling to specialist settings and preventing routine clinical deployment. Predicting spatially resolved gene expression from H&E histology could close this gap, yet current methods largely ignore the underlying tissue architecture and rarely quantify how their predictions can be trusted. We introduce HierarchicalDAEW, a dual-graph architecture that addresses both gaps. On the spot graph, a Domain-Aware Edge-Weighted convolutional operator learns separate projections for inter-domain, intra-domain, and boundary edges derived from Leiden clustering, allowing the model to treat tissue heterogeneity as an explicit structural signal rather than an implicit one. A second gene-level graph then fuses protein-protein interaction priors from STRING-DB with tissue-specific co-expression through learned attention gating, propagating predictions from a landmark gene set to a broader gene panel. Reliability is handled through evidential uncertainty estimation, which produces far better calibrated confidence intervals than Monte Carlo dropout under identical conditions. Across six human Visium sections spanning breast, colorectal, prostate, and cerebellar tissue, and against thirteen published baselines, HierarchicalDAEW achieves the strongest correlation with ground-truth expression, with gains that hold up under multi-seed reproducibility checks and negative controls that rule out positional shortcuts. Ablations further confirm that both the domain-aware edge typing and the hierarchical depth are necessary to this improvement, and calibrated uncertainty estimates identify low-confidence predictions for pathologist review before clinical action.
- Abstract（参考訳）: 空間転写学測定法は高価で技術的に要求されたままであり、トランスクリプトーム全体のプロファイリングを専門的な設定に制限し、定期的な臨床展開を妨げている。
H&Eヒストロジーから空間的に解決された遺伝子発現を予測することは、このギャップを埋める可能性があるが、現在の手法は基盤となる組織構造を無視し、どのように予測が信頼されるかの定量化はめったにない。
両ギャップに対処するデュアルグラフアーキテクチャであるHierarchicalDAEWを紹介する。
スポットグラフ上では、ドメイン対応エッジ重み付き畳み込み演算子は、ライデンクラスタリングから派生したドメイン間、ドメイン内、境界エッジの別々のプロジェクションを学習し、組織の不均一性を暗黙の構造的信号ではなく、明示的な構造的信号として扱うことができる。
次に、第2の遺伝子レベルでのグラフは、STRING-DBからのタンパク質とタンパク質の相互作用を、学習された注意のゲーティングを通じて、学習された注意のゲーティングによって、より広い遺伝子パネルにセットされたランドマーク遺伝子からの予測を伝達することで、組織特異的な共発現と融合させる。
信頼性は明らかな不確実性推定によって処理され、同じ条件下でのモンテカルロのドロップアウトよりもはるかに優れたキャリブレーション信頼区間が生成される。
乳房,大腸癌,前立腺,小脳組織にまたがる6つのヒトビシウム部位と13のベースラインに対して,ヒエラルキカルDAEWは,多系統の再現性チェックで保持されるゲインと,位置的ショートカットを除外する負の制御によって,根治的表現と最強の相関を達成している。
さらに、この改善には、ドメイン認識エッジタイピングと階層的深さの両方が必要であること、そして、キャリブレーションされた不確実性推定は、臨床行動の前に病理医のレビューに対する低信頼の予測を識別する。
関連論文リスト
- One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。
トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。
OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
論文 参考訳（メタデータ） (2026-09-06T08:32:59Z) - 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) - Gene Ontology-Guided Hierarchical Spatial Gene Expression Prediction from Histopathology Images [7.420574792982795]
遺伝子オントロジー(GO)を組み込んだMSGR(Multi-Scale Gene Refiner)を提案する。
GO構造化デコーディングは、最先端の生成ベースラインに対してさえ、フラットデコーディングよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-08-01T03:01:09Z) - Deep and Probabilistic Models for Gene Regulatory Network Inference [0.0]
遺伝子制御ネットワーク(GRN)は、転写因子(TF)タンパク質を標的遺伝子にリンクするが、これらのネットワークをゲノム全体のデータから再構成することは、実用的および方法論上の制約の下では困難である。
この論文では、これらの制限に対処する2つの補完的なフレームワークを開発する。
第一に、PMF-GRNはGRN推論を変分推論によって最適化された確率的グラフィカルモデルとし、原理的モデル選択と不確実性を考慮したエッジ推定を可能にする。
第2に、GLM-Priorは、プレトレーニングされたヌクレオチドトランスを微調整して、ヌクレオチド配列から直接TF-ターゲット遺伝子相互作用を予測することで、以前のボトルネックに対処する。
論文 参考訳（メタデータ） (2026-07-17T15:31:05Z) - Trust the Prior (or Not): Uncertainty-Aware Abdominal Aortic Aneurysm Segmentation [6.7365887585568585]
本稿では,識別学習と事前情報を統合した患者固有のフレームワークを提案する。
提案手法では,(1)局所解剖のガウス混合モデルに基づく患者固有の強度正規化,(2)空間的先行を組み込んだ不確実性Gated Anatomical Attentionモジュールを提案する。
論文 参考訳（メタデータ） (2026-06-30T21:30:49Z) - Where Black-box Drug-Target Interaction Prediction Models Look: Cross-Method Explainability [4.792942098478821]
3つの異なるデータセット上でブリッジDPIアーキテクチャの解釈可能性監査を行う。
生の入力、橋梁類似性の足場、およびグラフ畳み込みによる感度と符号効果を要約する。
その結果,モデル批判として扱う場合,説明可能性が最も有益であることが示唆された。
論文 参考訳（メタデータ） (2026-06-12T08:22:43Z) - UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation [8.273126013629057]
不確実性を考慮したハイパーグラフリファインメントネットワーク(UHR-Net)を提案する。
本研究では,不確実性指向型インスタンス・コントラスト(UO-IC)事前学習戦略を導入する。
第二に、不確実性誘導ハイパーグラフ精細化(UGHR)ブロックを設計し、エントロピーに基づく不確実性マップを粗い確率マップから導出し、ハイパーグラフ精細化を導出する。
論文 参考訳（メタデータ） (2026-04-30T16:38:51Z) - Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。
我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。
SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-04-07T04:19:39Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。
2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-16T08:02:42Z) - Reliable uncertainty quantification for 2D/3D anatomical landmark localization using multi-output conformal prediction [2.7320409129940684]
現在の不確実量化のアプローチは、特に正規性仮定と組み合わせると、しばしば短くなる。
多出力回帰問題に対する有限サンプル妥当性を保証する2つの新しいアプローチを提案する。
提案手法は, 有効性と有効性の両方において, 既存の多出力共形予測手法より一貫して優れている。
論文 参考訳（メタデータ） (2025-03-18T10:21:32Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳（メタデータ） (2022-10-18T21:15:10Z)
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。