論文の概要: Path2ST: Hierarchical Cell-Tissue Grounded Cross-Modal Translation for Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2608.14710v1
• Date: Tue, 11 Aug 2026 14:43:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.043984
• Title: Path2ST: Hierarchical Cell-Tissue Grounded Cross-Modal Translation for Spatial Transcriptomics
• Title（参考訳）: Path2ST: 空間転写学のための階層型細胞分類変換
• Abstract要約: モーダルな意味翻訳タスクとしてH&E-ST予測を定式化する。 Path2STは階層的な基盤を持つ自動回帰フレームワークで、3つの主要なコンポーネントを備えている。 3つのデータセットの実験は、最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 7.914868257444286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting spatial gene expression from hematoxylin and eosin (H\&E)-stained images offers a cost-effective alternative to spatial transcriptomics (ST). However, existing methods treat H\&E images as generic visual inputs and ignore their intrinsic biological hierarchy, where spatially organized cell types collectively form functional tissue microenvironments that govern local gene expression programs. To bridge this gap, we formulate H\&E-to-ST prediction as a cross-modal semantic translation task and propose Path2ST, a hierarchically grounded autoregressive framework featuring three key components: (i) a Hierarchical Cell-Tissue Conditioning mechanism that fuses explicit and implicit cellular features with tissue-level semantic representations to construct hierarchical conditioning signals; (ii) a Scale-Adaptive Autoregressive Generation process over a hierarchical semantic vocabulary, enabling coarse-to-fine, biologically consistent expression synthesis; and (iii) SpectraLoss, a full-spectrum objective that jointly enforces ordinal fidelity, models transcriptional bursts, and aligns semantic structures with cell types. Extensive experiments on three datasets demonstrate state-of-the-art performance, validating that Path2ST generates highly accurate and spatially coherent transcriptomic profiles. The related code is released at https://github.com/RuochenLiu23/Path2ST.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(H\&E)染色画像からの空間遺伝子発現の予測は、空間転写学(ST)に対する費用対効果を提供する。 しかし、既存の方法では、H\&E画像を一般的な視覚入力として扱い、その固有の生物学的階層を無視し、空間的に組織化された細胞型が、局所的な遺伝子発現プログラムを管理する機能的な組織環境を集合的に形成する。 このギャップを埋めるため、H\&E-to-ST予測をモーダルなセマンティック翻訳タスクとして定式化し、3つの重要なコンポーネントを特徴とする階層的基盤の自己回帰フレームワークであるPath2STを提案する。 一 組織レベルでの意味表現で明示的かつ暗黙的な細胞の特徴を融合させ、階層的条件付け信号を構築する階層的細胞機能条件付け機構 (二 階層的意味語彙上の大規模適応的自己回帰生成プロセスで、粗大で生物学的に一貫した表現合成を可能にすること。) 三 スペクトルロス(SpectraLoss)は、順序の忠実性を共同で実施し、転写バーストをモデル化し、意味構造を細胞型と整合させる全スペクトル目的である。 3つのデータセットに対する大規模な実験は最先端のパフォーマンスを示し、Path2STが高度に正確で空間的に整合した転写プロファイルを生成することを検証した。 関連コードはhttps://github.com/RuochenLiu23/Path2STで公開されている。

関連論文リスト

• PaSTel: Anchoring Histology in Spatial Transcriptomics via Multi-Scale Hierarchical Bio-Prior Contrastive Pretraining [4.434048652551508]
  PaSTelは階層的なマルチモーダル事前学習フレームワークで、生物学的な事前学習を3段階に統合する。 スポットレベルでは、TF-IDF再重み付けは空間的に有意な遺伝子を同定するために使用され、機能レベルでは、KEGG経路はグローバルな生物学的意味論をコードするためのアンカーとして機能する。 地域レベルでは、空間的クラスタリングは、メソスケールの組織構造をモデル化するために近隣のスポットを集約する。
  論文  参考訳（メタデータ） (2026-08-14T22:26:17Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction [27.112338738174614]
  組織像から遺伝子発現を予測することは、高価なST技術に代わる費用対効果がある。 ハイパーボリック空間内のデータ固有の階層をモデル化し,マルチレベルな画像生成表現を学習する,ST予測のためのフレームワークHyperSTを提案する。 HyperSTは、異なる組織から4つのパブリックデータセットで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） (2025-11-27T04:56:16Z)
• HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
  HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-17T04:47:39Z)
• C3-Diff: Super-resolving Spatial Transcriptomics via Cross-modal Cross-content Contrastive Diffusion Modelling [5.986183062217602]
  本研究は, 組織像をガイダンスとしてST強調のために, C3-Diffと呼ばれるクロスモーダルクロスコントラスト拡散フレームワークを提案する。 STマップにおける低シークエンシング感度の問題を克服するため,特徴単位超球面上でノイズに基づく情報拡張を行う。 本稿では,STデータ不足を軽減するための動的クロスモーダル計算に基づくトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-04T13:12:25Z)
• Modality Alignment across Trees on Heterogeneous Hyperbolic Manifolds [49.95082206008502]
  ツリーを横断するアライメントは、画像とテキストのモダリティの両方に対してツリーのような階層的な特徴を構築し、調整する手法である。 本稿では,中間トランスフォーマー層からの視覚的クラストークンにクロスアテンション機構を適用した意味認識型視覚特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:15Z)
• Adaptive Spatial Transcriptomics Interpolation via Cross-modal Cross-slice Modeling [26.230748488216648]
  空間転写学(Spatial transcriptomics、ST)は、組織コンテキスト内の空間的遺伝子プロファイリングパターンを特徴づける技法である。 本稿では, 隣接するSTスライス間の任意の中間位置において, 欠損STスライスを補間する最初の試みであるC2-STiを提案する。
  論文  参考訳（メタデータ） (2025-05-15T22:14:39Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)

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。