論文の概要: M$^3$-Gen: Interpretable Multimodal Generation of Gene Expression Profiles Using Clinical and Imaging Data

• arxiv url: http://arxiv.org/abs/2607.21343v1
• Date: Thu, 23 Jul 2026 14:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.428931
• Title: M$^3$-Gen: Interpretable Multimodal Generation of Gene Expression Profiles Using Clinical and Imaging Data
• Title（参考訳）: M$^3$-Gen:臨床および画像データを用いた遺伝子発現プロファイルの解釈可能なマルチモーダル生成
• Abstract要約: 遺伝子発現プロファイル生成のための新しいフレームワークであるMultiModal Molecular Generation (M$3$-Gen)を提案する。 M$3$-Genは臨床変数と画像から統一潜在表現を学ぶ。 2つのモダリティの埋め込みを利用して、生物学的にコヒーレントな遺伝子発現プロファイルの生成において、生成モデルを導く。
• 参考スコア（独自算出の注目度）: 0.5461938536945722
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Integrating heterogeneous biomedical data, including clinical metadata, histopathology images, and molecular profiles, is crucial for comprehensive disease understanding. However, gene expression data acquisition remains constrained by high costs and privacy concerns, limiting its use in multimodal research and AI-driven applications. We present MultiModal Molecular Generation (M$^3$-Gen), a novel framework for the generation of gene expression profiles by conditioning a Generative Adversarial Network on histopathology images and clinical metadata. M$^3$-Gen learns a unified latent representation from the clinical variables and the images, leveraging contrastive learning, and exploits the embeddings of the two modalities to guide a generative model in producing biologically coherent gene expression profiles. Evaluations on the TCGA dataset demonstrate that M$^3$-Gen generates realistic and functionally meaningful gene expression data. Importantly, by integrating multiple modalities in an attention-based mechanism, M$^3$-Gen provides intrinsic explainability: it allows the identification of which regions of the histopathology images most strongly influenced the generation of specific gene expression profiles, making the model's decisions interpretable by design.
• Abstract（参考訳）: 臨床メタデータ、病理組織像、分子プロファイルを含む異種生物医学データを統合することは、総合的な疾患理解に不可欠である。 しかし、遺伝子発現データ取得は、高コストとプライバシの懸念によって制限され続けており、マルチモーダルリサーチやAI駆動アプリケーションでの使用が制限されている。 M$^3$-Gen(MultiModal Molecular Generation, M$^3$-Gen)は, 病理組織像と臨床メタデータにジェネレーション・アドバイサル・ネットワークを組み込んだ, 遺伝子発現プロファイル生成のための新しいフレームワークである。 M$^3$-Genは、臨床変数と画像から統一された潜伏表現を学習し、対照的な学習を活用し、2つのモードの埋め込みを利用して、生物学的に一貫性のある遺伝子発現プロファイルを生成するための生成モデルを導く。 TCGAデータセットの評価は、M$^3$-Genが現実的で機能的に意味のある遺伝子発現データを生成することを示した。 重要なことに、M$^3$-Genは注意に基づくメカニズムに複数のモダリティを統合することで、本質的な説明可能性を提供する: 組織像のどの領域が特定の遺伝子発現プロファイルの生成に最も強く影響しているかを識別し、モデルの決定を設計によって解釈できるようにする。

関連論文リスト

• Decoding Phenotypes: A Framework for Fusing Genomic Language Models and Neuroimaging [16.786781201341977]
  我々は、事前訓練されたゲノム言語モデルからの遺伝的表現を画像から抽出した特徴と整合させるフレームワークであるGeneFuseを提案する。 GeneFuseは、画像特徴マップを変調するためにゲノム埋め込みを利用するFILMにインスパイアされたモジュールであるGCFM(Genotype-Conditioned Feature Modulation)と、画像からの予測不確実性を利用して遺伝子型特徴の寄与をゲートする融合戦略であるU-GRF(Uncerty-aware Genomic Residual Fusion)の2つのコンポーネントを統合する。
  論文  参考訳（メタデータ） (2026-08-09T21:40:17Z)
• GeMM-GAN: A Multimodal Generative Model Conditioned on Histopathology Images and Clinical Descriptions for Gene Expression Profile Generation [0.6608945629704325]
  GeMM-GANは, 組織スライドと臨床メタデータに基づいて, 現実的な遺伝子発現プロファイルを合成する新規なジェネレーティブ・アドバイサル・ネットワークである。 我々はTCGAデータセットに対する我々のアプローチを評価し、我々のフレームワークが標準生成モデルより優れ、より現実的で機能的に意味のある遺伝子発現プロファイルを生成することを示した。
  論文  参考訳（メタデータ） (2026-01-21T19:03:54Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• 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)
• Gene-DML: Dual-Pathway Multi-Level Discrimination for Gene Expression Prediction from Histopathology Images [5.638556074980827]
  病理組織像からの正確な遺伝子発現予測は、分子プロファイリングに対するスケーラブルで非侵襲的なアプローチを提供する。 既存の方法では、病理組織像と遺伝子発現プロファイルの相互表現アライメントを未利用にすることがしばしばある。 我々はDual-pathway Multi-Levelの識別を通じて潜在空間を構造化する統合フレームワークであるGene-DMLを提案する。
  論文  参考訳（メタデータ） (2025-07-19T15:45:12Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• Multi-dataset and Transfer Learning Using Gene Expression Knowledge Graphs [1.8722948221596285]
  遺伝子発現データセットは、遺伝子調節機構、生化学的経路、細胞機能に関する洞察を提供する。 遺伝子発現データは貴重な洞察を与えることができるが、式データセットの患者数が限られているため、課題が生じる。 本研究は、複数の遺伝子発現データセットとドメイン固有の知識を統合することで、これらの課題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-26T10:23:27Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• MuSe-GNN: Learning Unified Gene Representation From Multimodal Biological Graph Data [22.938437500266847]
  マルチモーダル類似性学習グラフニューラルネットワークという新しいモデルを提案する。 マルチモーダル機械学習とディープグラフニューラルネットワークを組み合わせて、単一セルシークエンシングと空間転写データから遺伝子発現を学習する。 本モデルでは, 遺伝子機能, 組織機能, 疾患, 種進化の解析のために, 統合された遺伝子表現を効率よく生成する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:53Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。