論文の概要: A Unified Geometric Framework for Developmental Analysis of Spatial Transcriptomic Data
- arxiv url: http://arxiv.org/abs/2608.15306v1
- Date: Sat, 15 Aug 2026 16:19:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.255064
- Title: A Unified Geometric Framework for Developmental Analysis of Spatial Transcriptomic Data
- Title（参考訳）: 空間トランスクリプトームデータの発達解析のための統一的幾何学的枠組み
- Abstract要約: 高分解能単一細胞および転写技術は、不均一な細胞状態のスナップショットを提供する。
時間的および空間的ダイナミクスは、独立にサンプリングされた無秩序な細胞集団から推測されなければならない。
本稿では,Gromov-Wasserstein(GW)空間への埋め込みによる遺伝子発現ネットワークの時間的進化を解析するための幾何学的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 38.40052829128497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-throughput single-cell and spatial transcriptomic technologies provide high-resolution snapshots of heterogeneous cellular states, but their destructive nature prevents repeated measurements of the same cells over time. Consequently, temporal and spatial dynamics must be inferred from independently sampled, unaligned cell populations, making it challenging to reconstruct developmental trajectories. Optimal transport (OT) offers a geometric framework for aligning cell populations and inferring developmental trajectories, but many existing approaches focus on modeling the evolution of distributions of cells in gene expression space rather than the relational structure encoded by gene expression networks. To address this limitation, we introduce a geometric framework for analyzing the spatiotemporal evolution of gene expression networks through embeddings in Gromov--Wasserstein (GW) space. By representing each developmental stage as a graph combining gene expression and spatial proximity, our approach enables comparisons of network structure across time, continuous interpolation between developmental stages via GW geodesics, and quantification of network-level changes using Ollivier-Ricci curvature. We evaluate our framework on a spatiotemporal transcriptomic \textit{Drosophila} dataset and show that GW geodesic interpolations reproduce main trends in curvature dynamics observed in empirical gene expression networks. Agreement with higher-order Co-Optimal Transport (COOT) distances, which jointly represent spatial and temporal information, further validates the framework and suggests that hypernetwork representations successfully record salient biological changes across time. In general, our approach provides a unified geometric approach to study dynamically evolving biological networks.
- Abstract（参考訳）: 高スループット単一細胞および空間転写技術は、不均一な細胞状態の高解像度スナップショットを提供するが、その破壊的な性質は、時間とともに同じ細胞が繰り返し測定されることを防ぐ。
結果として、時間的および空間的ダイナミクスは、独立にサンプリングされた無秩序な細胞集団から推測されなければならないため、発達軌跡の再構築は困難である。
最適輸送(OT)は、細胞集団の整列と発達軌道の推測のための幾何学的枠組みを提供するが、既存の多くのアプローチは、遺伝子発現ネットワークによって符号化された関係構造ではなく、遺伝子発現空間における細胞の分布の進化をモデル化することに焦点を当てている。
本稿では,Gromov--Wasserstein(GW)空間への埋め込みによる遺伝子発現ネットワークの時空間的進化を解析するための幾何学的枠組みを提案する。
それぞれの発達段階を遺伝子発現と空間的近接性を組み合わせたグラフとして表現することにより、時間的ネットワーク構造の比較、GW測地による発達段階の連続補間、Ollivier-Ricci曲率を用いたネットワークレベルの変化の定量化を可能にした。
GW測地補間が経験的遺伝子発現ネットワークで観測された曲率動態の主トレンドを再現することを示す。
空間的および時間的情報を共同で表現する高次コ最適輸送(COOT)距離との一致は、この枠組みをさらに検証し、ハイパーネットワーク表現が時間を通して有意な生物学的変化を記録することに成功していることを示唆している。
一般に,本手法は動的に進化する生物学的ネットワークを研究するための統一的な幾何学的アプローチを提供する。
関連論文リスト
- Transient State Reorganization and Cell Differentiation in the Developmental Dynamics of Growing Neural Cellular Automata [0.7498027847107155]
神経細胞オートマタ(GNCA)は、単一の種子細胞から局所的ルールを共有することで複雑な形態を発達させる。
GNCAがどのように成長するかを調べるため、訓練されたGNCAモデルの完全な発達軌跡を追究した。
論文 参考訳（メタデータ） (2026-07-17T08:04:11Z) - Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。
この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。
提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
論文 参考訳（メタデータ） (2026-06-15T18:19:17Z) - Applications of temporal graph learning for predicting the dynamics of biological systems [2.1485350418225244]
本研究では、細胞状態が擬似時間分解遺伝子制御ネットワークを介して表現される時間グラフに基づく別の視点について検討する。
リンク予測と中心性予測では、時間グラフ学習は非自明な制御ダイナミクスを捉え、時間的に重要な遺伝子ハブの同定を可能にする。
論文 参考訳（メタデータ） (2026-05-27T15:57:40Z) - FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction [21.300129464820984]
現在のモデルは、遺伝子調整や空間分布といった重要な生物学的構造を見落としている。
我々は,このタスクを構造化分布モデルとして再定義する拡散ベースのフレームワークである textbfFLAG を紹介する。
実験の結果,FLAGは従来の精度で高い競争力を持つことがわかった。
論文 参考訳（メタデータ） (2026-05-18T08:43:18Z) - Beyond Distance: Quantifying Point Cloud Dynamics with Persistent Homology and Dynamic Optimal Transport [29.979662030541146]
本稿では,最近提案されたトポロジカル・オプティカル・トランスポート(TpOT)距離を拡張して,時間進化点雲のトポロジカル・ティッピングを解析するためのフレームワークを提案する。
この制限を克服するために、新しいトポロジとハイパーグラフ再構成戦略によって駆動される階層的動的評価フレームワークを提案する。
この測地線とともに、グローバルシフトを捉えるためのマクロメトリクス(トポロジカル歪みとパーシスタンスエントロピー)と、高感度で非同期な局所的な変更を検出するための新しいメソスコピック双対パースペクティブハイパーグラフエントロピーを導入する。
論文 参考訳（メタデータ） (2026-03-15T07:56:56Z) - Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。
NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
論文 参考訳（メタデータ） (2025-11-02T15:41:38Z) - Kuramoto Orientation Diffusion Models [67.0711709825854]
指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。
生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。
一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
論文 参考訳（メタデータ） (2025-09-18T18:18:49Z) - Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。
空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-06-24T00:56:21Z) - UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
自然系における関数の統一生成モデルUniGenXを提案する。
UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。
ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-03-09T16:43:07Z) - How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。
我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
論文 参考訳（メタデータ） (2024-11-01T14:20:53Z)
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。