論文の概要: Gene Ontology-Guided Hierarchical Spatial Gene Expression Prediction from Histopathology Images

• arxiv url: http://arxiv.org/abs/2608.00405v1
• Date: Sat, 01 Aug 2026 03:01:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:57:56.54167
• Title: Gene Ontology-Guided Hierarchical Spatial Gene Expression Prediction from Histopathology Images
• Title（参考訳）: 病理組織像を用いた遺伝子オントロジー誘導階層型空間遺伝子発現予測
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.420574792982795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting spatial gene expression from histopathology images enables large-scale transcriptomic profiling without the cost of direct measurement. Existing methods decode the target gene set as a flat, unstructured vector, ignoring the inter-gene dependencies arising from shared biological pathways and regulatory programs. Without explicit structural guidance, models must infer these dependencies entirely from limited paired data, constraining prediction quality. We propose MSGR (Multi-Scale Gene Refiner), which bridges this gap by incorporating the Gene Ontology (GO), a curated functional hierarchy of genes, as an explicit structural prior. MSGR organizes target genes into a four-level GO tree. Its GO-guided decoder then progressively refines predictions from coarse functional domains to fine individual genes via residual corrections under scale-weighted supervision. Operating solely on the gene side, the GO-guided decoder serves as a seamless plug-in replacement that consistently improves existing architectures without requiring any image-side modifications. Extensive experiments on nine datasets from the HEST-1k benchmark provide empirical evidence for two central claims: GO-structured decoding consistently outperforms flat decoding, even against a state-of-the-art generative baseline, and the gain is attributable to biological ontology structure rather than hierarchical decomposition per se, as confirmed by a +0.027 margin over a structurally equivalent random hierarchy.
• Abstract（参考訳）: 病理組織像からの空間遺伝子発現の予測は, 直接測定のコストを伴わずに, 大規模な転写プロファイリングを可能にする。 既存の方法は、フラットで非構造的なベクターとして標的遺伝子セットをデコードし、共有された生物学的経路や制御プログラムから生じる遺伝子間の依存関係を無視している。 明示的な構造的なガイダンスがなければ、モデルはこれらの依存関係を完全にペアデータから推測し、予測品質を制約しなければなりません。 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。 MSGRは標的遺伝子を4段階のGOツリーにまとめる。 GO誘導デコーダはその後、粗い機能ドメインからの予測を段階的に洗練し、大規模監督下での残留補正によって個々の遺伝子を微調整する。 GO誘導デコーダは、遺伝子側でのみ動作するため、画像側の修正を必要とせず、既存のアーキテクチャを一貫して改善するシームレスなプラグイン代替として機能する。 HEST-1kベンチマークから得られた9つのデータセットに関する大規模な実験は、2つの中心的主張を実証的に証明している: GO構造化復号は、最先端の生成的ベースラインに対してさえ、一貫してフラットデコーディングよりも優れており、構造的に等価なランダム階層に対して+0.027のマージンで確認されているように、その利得は階層的な分解よりもむしろ生物学的オントロジー構造に起因する。

関連論文リスト

• 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)
• HierarchicalDAEW: Domain-Aware Edge-Weighted Graph Convolution with Evidential Uncertainty for Multi-Section Spatial Gene Expression Prediction from H&E Histology [10.175236828864765]
  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。
  論文  参考訳（メタデータ） (2026-07-23T03:33:47Z)
• What Topological and Geometric Structure Do Biological Foundation Models Learn? Evidence from 141 Hypotheses [0.0]
  52回の反復で141の幾何学的および位相的仮説を提案し,検証し,洗練するAI駆動ブレインストーミングループを提案する。 遺伝子埋め込み近傍は非自明なトポロジーを示し、12層のうち11層に持続的ホモロジーが有意である。 scGPTとGeneformerのCCAアライメントは0.80の正準相関と72%の遺伝子検索精度をもたらすが、19の検査方法が確実に遺伝子レベルの対応を回復することはなかった。
  論文  参考訳（メタデータ） (2026-02-25T14:33:24Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• LaCoGSEA: Unsupervised deep learning for pathway analysis via latent correlation [4.742294289533828]
  経路エンリッチメント解析は、遺伝子発現データの解釈に広く用いられている。 GSEAのような標準的なアプローチは、事前に定義された表現型ラベルとペア比較に依存している。 我々は、深い表現学習と堅牢な経路統計を統合した教師なしのフレームワークであるLaCoGSEAを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T15:45:33Z)
• 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)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• 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。