論文の概要: CellWorld: From Gene-Level Reconstruction to Latent Cell Prediction in Spatial Transcriptomics Foundation Models

• arxiv url: http://arxiv.org/abs/2608.06659v1
• Date: Fri, 07 Aug 2026 00:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.306757
• Title: CellWorld: From Gene-Level Reconstruction to Latent Cell Prediction in Spatial Transcriptomics Foundation Models
• Title（参考訳）: CellWorld:空間転写学基礎モデルにおける遺伝子レコンストラクションから潜在細胞予測へ
• Abstract要約: 潜在空間予測事前学習は、空間転写学の基礎モデルへのスケーラブルな経路を提供することができる。 我々は、5.74万から94.56万のトレーニング可能なパラメータの4つのCellWorld変異体を、6600万のヒト細胞からなるコーパスで事前訓練した。
• 参考スコア（独自算出の注目度）: 9.11000309050288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper shows that latent-space predictive pretraining can provide a scalable route to foundation models for spatial transcriptomics. Existing spatial transcriptomics foundation models primarily reconstruct masked gene identities or expression values, potentially encouraging the reproduction of assay-specific technical variation and limiting representation transferability. To avoid directly reconstructing such variation, we shift the prediction target from observed gene measurements to latent cell representations and introduce CellWorld, which predicts the latent representations of masked cells from visible spatial context and a limited partial-expression hint. We pretrain four CellWorld variants, spanning 5.74M to 94.56M trainable parameters, on a corpus of 46 million human cells. Our controlled scaling experiments show that performance improves with model capacity, particularly on spatial tasks, while spatial transfer depends more on sufficient optimization and broad biological source diversity than on cell count alone. Across four held-out datasets, even CellWorld-Small, with 5.74M trainable parameters, outperforms every baseline on all 11 linear-probe benchmarks and all seven fine-tuned spatial benchmarks. Most notably, a frozen CellWorld-Large pretrained on only 5\% of the corpus with broad biological source coverage outperforms every fully fine-tuned baseline across all seven spatial benchmarks. Code is available at https://github.com/UoM-HealthAI/CellWorld.
• Abstract（参考訳）: 本稿では,潜在空間予測事前学習が空間転写学の基礎モデルにスケーラブルな経路を提供することを示す。 既存の空間転写学基礎モデルは、主にマスクされた遺伝子アイデンティティまたは発現値を再構成し、アッセイ固有の技術的変異の再現を奨励し、表現の伝達性を制限する可能性がある。 このような変化を直接再構成するのを避けるため、観測された遺伝子測定から潜伏細胞表現へ予測対象をシフトし、可視空間コンテキストと限定部分表現ヒントからマスクされた細胞の潜伏表現を予測するCellWorldを導入する。 我々は、5.74万から94.56万のトレーニング可能なパラメータの4つのCellWorld変異体を、6600万のヒト細胞からなるコーパスで事前訓練した。 制御されたスケーリング実験により,モデル容量,特に空間的タスクにおいて性能が向上し,空間移動は細胞数単独よりも十分な最適化と幅広い生物学的ソースの多様性に依存していることが示された。 トレーニング可能なパラメータが5.74MのCellWorld-Smallでさえ、11の線形プローブベンチマークと7つの微調整された空間ベンチマークにおいて、すべてのベースラインを上回っている。 中でも注目すべきは、凍結したCellWorld-Largeがコーパスの56%しか事前訓練されていないことだ。 コードはhttps://github.com/UoM-HealthAI/CellWorldで入手できる。

関連論文リスト

• CytoBERT: A Foundation Model for Cytometry Data [0.7209218072712748]
  CytoBERTは、可変マーカーパネルを持つシングルセルデータのための、公開され、オープンソースでオープンソースの基礎モデルである。 大規模コーパス(異質なマーカーパネルと5000万以上の細胞を持つ15人のデータセット)上で、自己管理的に事前訓練される。 マーカーの標準化により、細胞内で転写可能なマーカー間の関係を学習できるようになった。
  論文  参考訳（メタデータ） (2026-08-14T15:57:35Z)
• Prototype Guided Post-pretraining for Single-Cell Representation Learning [0.0]
  遺伝子発現データからの単一細胞表現学習は、細胞機能の基礎となる複雑な制御ロジックを明らかにする手段を提供する。 遺伝子をトークンとして扱い、細胞を文として扱う、いくつかの単細胞事前訓練モデルが最近提案されている。 本稿では,単細胞基礎モデルの事前学習段階と微調整段階の間で動作するポストプレトレーニング手法であるCellRefineを紹介する。
  論文  参考訳（メタデータ） (2026-05-08T16:08:10Z)
• 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)
• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• 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)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• From Histopathology Images to Cell Clouds: Learning Slide Representations with Hierarchical Cell Transformer [18.495089886413133]
  我々は、50億以上のセルレベルのアノテーションを持つ大規模なWSIデータセットを構築し、WSI-Cell5Bと呼ぶ。 我々の知る限りでは、WSI-Cell5Bは、セルレベルのアノテーションを統合する最初のWSIレベルの大規模データセットです。
  論文  参考訳（メタデータ） (2024-12-21T17:57:12Z)
• 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)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
  多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。 化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
  論文  参考訳（メタデータ） (2022-11-02T00:51:35Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。