論文の概要: Program-space Diffusion for Morphology-to-Transcriptomics Prediction

• arxiv url: http://arxiv.org/abs/2608.14330v1
• Date: Fri, 14 Aug 2026 14:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.405834
• Title: Program-space Diffusion for Morphology-to-Transcriptomics Prediction
• Title（参考訳）: 形態-軌道予測のためのプログラム空間拡散
• Abstract要約: プログラム空間における条件生成として形態学から転写学への予測を再構成する。 トレーニングデータにおけるコーディネート表現の変動を計測する低次元プログラムの集合を抽出する。 組織学からプログラムアクティベーションを生成するために条件拡散モデルを訓練する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) enables genome-wide gene expression profiling while preserving tissue architecture, but its cost and limited scalability remain major bottlenecks. This has motivated models that predict spatial expression directly from routine histology. Despite promising results, most existing approaches operate at the gene level without leveraging established transcriptomic modeling practices and rely on heterogeneous gene selection strategies, which complicates fair comparison across methods. We propose to reformulate morphology-to-transcriptomics prediction as conditional generation in transcriptional program space, thereby exploiting coordinated transcriptional variation instead of predicting genes independently. Using consensus non-negative matrix factorization (cNMF), we extract a low-dimensional set of transcriptional programs capturing coordinated expression variation in the training data, and train a conditional diffusion model to generate program activations from histology. This formulation exploits coordinated transcriptional variation and substantially lowers the dimensionality of the conditional generative task.
• Abstract（参考訳）: 空間転写学(ST)は、組織構造を維持しながらゲノムワイドな遺伝子発現プロファイリングを可能にするが、そのコストと拡張性は大きなボトルネックのままである。 これは、日常的な組織学から直接空間表現を予測するモデルに動機づけられた。 有望な結果にもかかわらず、既存のほとんどのアプローチは、確立された転写モデリングのプラクティスを活用せずに遺伝子レベルで動作し、異種遺伝子選択戦略に依存しており、メソッド間の公正な比較を複雑にしている。 そこで本研究では, 転写プログラム空間における条件生成として形態と転写の予測を再構成し, 遺伝子を独立に予測するのではなく, 協調的な転写の変動を利用する方法を提案する。 コンセンサス非負行列因子化(cNMF)を用いて、トレーニングデータにおける協調表現の変動を捉えた低次元の書き起こしプログラムを抽出し、条件拡散モデルを訓練し、組織学からプログラムアクティベーションを生成する。 この定式化は、コーディネートされた転写の変動を利用して、条件付き生成タスクの次元を大幅に低下させる。

関連論文リスト

• DriftST: One-Step Generative Inference of Spatial Transcriptomics from H\&E Histology [11.977375064177354]
  ヘマトキシリンとエオシン染色組織学から直接の発現を推定することは、費用対効果の代替となる。 H&E画像から空間的に解決された遺伝子発現を推定する統合フレームワークDriftSTを提案する。 ジェネリックな遺伝子パネル表現で操作すると、DriftSTは1つのフレームワークのスポットレベルとセルレベルの両方のデータに直接適用される。
  論文  参考訳（メタデータ） (2026-07-06T07:22:58Z)
• HEXST: Hexagonal Shifted-Window Transformer for Spatial Transcriptomics Gene Expression Prediction [2.545948917437212]
  HEXSTは、組織学からの空間的遺伝子発現予測のための幾何整列変換器である。 ヘキサゴナルスポット座標を直接操作し、効率的な局所-グローバルな文脈モデリングを可能にする。 7つの空間転写学データセットで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-06T09:34:56Z)
• Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images [5.072469295071516]
  HINGE (HIstology-coNditioned GEneration) は、訓練済みの sc-FM を条件付き表現生成器に適合させる。 3つのSTデータセットに基づいて評価し、平均ピアソン相関に基づいて最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-20T08:52:39Z)
• 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)
• GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
  GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。 我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。 GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2025-10-05T18:28:21Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• 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)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)

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。