論文の概要: OmicSync: Reliability-Aware Spatial Multi-Omics Clustering with Evidence-Constrained LLM Reasoning
- arxiv url: http://arxiv.org/abs/2608.22785v2
- Date: Tue, 25 Aug 2026 03:36:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.139557
- Title: OmicSync: Reliability-Aware Spatial Multi-Omics Clustering with Evidence-Constrained LLM Reasoning
- Title（参考訳）: OmicSync: 信頼性を考慮したエビデンス制約LDM推論による空間マルチオミクスクラスタリング
- Abstract要約: 我々は,教師なしドメインクラスタリングとエビデンス制約推論を結合した信頼性を考慮した空間マルチオミクスフレームワークOmicSyncを提案する。
OmicSyncは Kan-GCN のバックボーンと空間符号化、クロスモーダル融合、不確実性認識ルーティング、細胞型監視、欠落モダリティ計算を統合している。
OmicSync-Rは、自動計算された推論品質スコアをREINFORCEの報酬として使用することにより、推論クラスタリングループをクローズする。
- 参考スコア（独自算出の注目度）: 4.05599528263557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial multi-omics technologies jointly profile gene expression, surface proteins, and histology at each tissue spot, yet most spatial domain discovery methods provide only cluster assignments, without indicating assignment reliability, modality contributions, or why a domain decision should be trusted. We present OmicSync, a reliability-aware spatial multi-omics framework that couples unsupervised domain clustering with evidence-constrained LLM reasoning using model-derived per-spot signals, including assignment confidence, epistemic routing uncertainty, and modality-routing weights. These signals are converted into structured evidence dictionaries and used to generate standard, stepwise, counterfactual, contrastive, and uncertainty-focused explanations. OmicSync integrates a KAN-GCN backbone with spatial encoding, cross-modal fusion, uncertainty-aware routing, cell-type supervision, and missing-modality imputation. We further introduce OmicSync-R, which closes the reasoning-clustering loop by using automatically computed reasoning-quality scores as REINFORCE rewards, allowing reasoning coherence to shape the latent structure without backpropagating through the language model. Across four 10x CytAssist FFPE spatial proteomics benchmarks, OmicSync achieves the best average rank on Human Tonsil (1.44), Glioblastoma (1.78), and Tonsil Add-on (1.22), and second-best on Human Breast Cancer (2.33). OmicSync-R further improves ARI on Human Breast Cancer from 45.73 to 46.72 and outperforms existing methods on six of nine clustering metrics. Together, OmicSync and OmicSync-R enable reliability-aware, spot-level auditable spatial domain discovery guided by evidence-constrained reasoning.
- Abstract（参考訳）: 空間的マルチオミクス技術は、各組織部位における遺伝子発現、表面タンパク質、組織を共同プロファイルするが、ほとんどの空間的ドメイン発見手法は、割り当ての信頼性、モダリティへの貢献、ドメイン決定が信頼されるべき理由を示すことなく、クラスタ割り当てのみを提供する。
OmicSyncは、教師なしドメインクラスタリングとエビデンス制約付きLCM推論を結合した信頼性を考慮した空間マルチオミクスフレームワークである。
これらの信号は構造化されたエビデンス辞書に変換され、標準、ステップワイド、反ファクト、コントラスト、不確実性に焦点を当てた説明を生成するために使用される。
OmicSync は Kan-GCN のバックボーンと空間符号化、クロスモーダル融合、不確実性認識ルーティング、細胞型監視、欠落モダリティ計算を統合している。
さらに、自動計算された推論品質スコアをREINFORCE報酬として使用することで、推論クラスタリングループをクローズするOmicSync-Rを導入する。
約10倍のCytAssist FFPE空間プロテオミクスベンチマークで、OmicSyncはヒト・トンシル(1.44)、グリオ芽腫(1.78)、トンシル・アドオン(1.22)、ヒト乳癌(2.33)で最高の平均ランクを達成している。
OmicSync-Rはさらに、ヒト乳癌のARIを45.73から46.72に改善し、9つのクラスタリング指標のうち6つで既存の方法より優れている。
OmicSyncとOmicSync-Rは共に、エビデンスに制約のある推論によって導かれる信頼性に配慮した、スポットレベルの監査可能な空間ドメイン発見を可能にする。
関連論文リスト
- Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Semantic-Anchored Evidential Fusion for Domain-Robust Whole-Slide Survival Analysis [17.191308226416147]
VQA(Visual Question Answering)による全スライド画像から意味アンカーを導出するフレームワークを提案する。
1つのソースドメインのみをトレーニングし、4つの見えないドメインでゼロショットを評価し、平均的なCインデックスを10.2%改善しました。
VQA由来のセマンティックな特徴は、画素由来の特徴よりも明らかに中心間のばらつきが低く、中心間臨床応用の堅牢性を強調している。
論文 参考訳（メタデータ） (2026-06-18T09:06:41Z) - Compact Latent Manifold Translation: A Parameter-Efficient Foundation Model for Cross-Modal and Cross-Frequency Physiological Signal Synthesis [4.672369796753925]
既存の基礎モデルは、しばしば重度のモダリティの絡み合いに苦しむ連続潜在空間に依存している。
本稿では,これらのギャップを埋める高パラメータ効率(0.09B)統一フレームワークであるコンパクト潜時翻訳(CLMT)を提案する。
計算フットプリントのごく一部で生物学的信号の普遍的な離散言語を学習することにより、我々はエッジ展開可能な多要素医療基盤モデルのための新しい軌道を定めている。
論文 参考訳（メタデータ） (2026-05-13T09:31:36Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - STaR-DRO: Stateful Tsallis Reweighting for Group-Robust Structured Prediction [0.20165644958637055]
制御可能な推論と堅牢な微調整のための2部フレームワークを提案する。
まず、フォーマットのドリフト、ラベルの曖昧さ、エビデンス幻覚、メタデータ条件の混乱に対処するためのタスクに依存しないプロンプト戦略を導入する。
第2に,グループ不均一性のステートフルなロバスト最適化手法STaR-DROを導入する。
論文 参考訳（メタデータ） (2026-04-09T21:58:42Z) - Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。
損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。
視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。
言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
論文 参考訳（メタデータ） (2026-03-20T02:07:10Z) - ES-Merging: Biological MLLM Merging via Embedding Space Signals [52.84455878597969]
埋め込み空間信号からマージ係数を推定する表現対応マージフレームワークを提案する。
提案手法は既存のマージ手法よりも優れており,タスク固有の微調整モデルを超えている。
論文 参考訳（メタデータ） (2026-03-15T14:38:32Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - Non-Adversarial Learning: Vector-Quantized Common Latent Space for Multi-Sequence MRI [15.4894593374853]
本稿では,各列の離散表現を圧縮し,列間の共通潜在空間のガウス分布を推定する生成モデルを提案する。
BraTS2021データセットを用いた実験では、我々の非敵モデルは他のGANベースの手法よりも優れていた。
論文 参考訳（メタデータ） (2024-07-03T08:37:01Z)
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。