論文の概要: PaSTel: Anchoring Histology in Spatial Transcriptomics via Multi-Scale Hierarchical Bio-Prior Contrastive Pretraining
- arxiv url: http://arxiv.org/abs/2608.14924v1
- Date: Fri, 14 Aug 2026 22:26:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.127239
- Title: PaSTel: Anchoring Histology in Spatial Transcriptomics via Multi-Scale Hierarchical Bio-Prior Contrastive Pretraining
- Title（参考訳）: PaSTel: マルチスケール階層的バイオプライア・コントラスト・プレトレーニングによる空間的トランスクリプトロジーの組織学
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.434048652551508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial transcriptomics (ST) links tissue morphology with molecular programs, motivating multimodal pretraining methods that align histology images with gene expression. However, existing approaches suffer from two key limitations: spatially informative gene selection is often dominated by ubiquitous housekeeping genes, leading to weakly discriminative representations, and independent spot-patch alignment fails to capture spatial dependencies that are critical for tissue organization. To address these challenges, we introduce PaSTel, a hierarchical multimodal pretraining framework that integrates biological priors at three levels. At the spot level, TF-IDF reweighting is used to identify spatially informative genes; at the functional level, curated KEGG pathways serve as anchors for encoding global biological semantics; and at the regional level, spatial clustering aggregates neighboring spots to model meso-scale tissue structure. Across multiple downstream tasks, PaSTel consistently outperforms existing vision and vision-omics encoders, demonstrating that incorporating multiscale biological priors yields more informative and transferable representations for spatial transcriptomics.
- Abstract（参考訳）: 空間転写学(ST)は組織形態と分子プログラムを結びつけ、組織像と遺伝子発現を整合させるマルチモーダル事前学習法を動機付けている。
しかし、既存のアプローチには2つの重要な制限がある: 空間的情報的遺伝子選択は、しばしばユビキタスなハウスキーピング遺伝子によって支配され、弱い識別的表現をもたらし、独立したスポットパッチアライメントは組織にとって重要な空間的依存関係を捉えない。
これらの課題に対処するために,生物の先行を3段階に統合した階層型マルチモーダル事前学習フレームワークPaSTelを紹介した。
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特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し、地域レベルでは、空間クラスタリングは近隣のスポットを集約し、メソスケールの組織構造をモデル化する。
複数の下流のタスクにおいて、PaSTelは既存の視覚と視覚-オミクスエンコーダを一貫して上回り、マルチスケールの生物学的プリエンプションを組み込むことにより、空間転写学のより情報的で伝達可能な表現が得られることを示した。
関連論文リスト
- 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) - Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。
MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。
さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。
MVSLは、いくつかのショットとゼロショットの分類設定において、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） (2026-04-27T02:41:27Z) - Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。
我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。
SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-04-07T04:19:39Z) - Hierarchy-Guided Multimodal Representation Learning for Taxonomic Inference [17.708423679075075]
階層型マルチモーダル学習のためのエンドツーエンドの2つの変種を提案する。
CLiBD-HiRは階層情報正規化(HiR)を導入し、分類学レベルで埋め込み幾何学を形作る。
CLiBD-HiR-Fuseは、画像のみ、DNAのみ、または関節推論をサポートする軽量な融合予測器を訓練する。
論文 参考訳（メタデータ） (2026-03-26T15:47:03Z) - Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。
本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。
6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
論文 参考訳（メタデータ） (2026-02-15T00:59:13Z) - MultiST: A Cross-Attention-Based Multimodal Model for Spatial Transcriptomic [21.236918431473466]
空間トポロジ、遺伝子発現、組織形態を相互注意に基づく融合によってモデル化する統合フレームワークであるMultiSTを提案する。
提案手法をヒト大脳皮質と乳癌組織を含む2臓器にまたがる13種類のSTデータセットで評価した。
論文 参考訳（メタデータ） (2026-01-19T19:11:03Z) - 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) - MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。
モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。
がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-03-01T07:02:30Z) - Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。
現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。
本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T00:32:24Z) - 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)
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。