論文の概要: BioKERN: Biological Kernel Regularization for Histology-to-Transcriptomics Neighborhood Retrieval
- arxiv url: http://arxiv.org/abs/2608.24823v1
- Date: Tue, 25 Aug 2026 17:04:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.111625
- Title: BioKERN: Biological Kernel Regularization for Histology-to-Transcriptomics Neighborhood Retrieval
- Title（参考訳）: BioKERN : 病理組織からTranscriptomics付近の検索のための生物学的カーネル規則化
- Abstract要約: BioKERNは、生物学的構造を明示的で学習可能な帰納バイアスとして組み込んだマルチモーダルな表現学習フレームワークである。
マウス脳ビシウムとヒト肝GSE240429をまたいだバイオケリンは、BLEEPによる生物近傍の検索を一貫して改善している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatially resolved biology requires representations that preserve biological neighborhood structure rather than only exact cross-modal correspondences. Existing histology--transcriptomics objectives can emphasize instance-level matching even when non-paired spots share molecular or spatial context. We introduce BioKERN, a multimodal spatial representation-learning framework that incorporates biological structure as an explicit, learnable inductive bias. BioKERN constructs a training-time biological kernel by combining transcriptomic similarity and spatial proximity, then uses it to provide graded neighborhood supervision and regularize embedding geometry. Evaluation uses a fixed, model-independent biological neighborhood definition shared by all methods. Across Mouse Brain Visium and Human Liver GSE240429, BioKERN consistently improves biological-neighborhood retrieval over BLEEP in both single- and multi-scale settings. Controlled shared-architecture experiments show that most of the improvement arises from biological-kernel regularization rather than increased model capacity. These results support explicit biological geometry as an interpretable inductive bias for multimodal learning in spatial biology.
- Abstract（参考訳）: 空間的に解決された生物学は、正確なクロスモーダル通信だけでなく、生物学的近傍構造を保存する表現を必要とする。
既存の組織学-転写学の目的は、分子的または空間的文脈を共有する非ペアのスポットであっても、インスタンスレベルのマッチングを強調することができる。
本稿では,生物構造を明示的かつ学習可能な帰納バイアスとして組み込んだマルチモーダル空間表現学習フレームワークであるBioKERNを紹介する。
BioKERNは、転写学的類似性と空間的近接性を組み合わせたトレーニング時生物学的カーネルを構築し、それをグレードドされた近隣の監督と埋め込み幾何学の正規化に利用する。
評価は、すべてのメソッドで共有される固定されたモデルに依存しない生物学的近傍の定義を使用する。
マウス脳ビシウムとヒト肝GSE240429をまたいだBioKERNは、単一およびマルチスケールの設定において、BLEEP上の生物学的近傍の検索を一貫して改善する。
制御された共有構造実験は、改善のほとんどはモデル容量の増加よりも、生物学的カーネルの正規化から生じていることを示している。
これらの結果は,空間生物学における多モード学習における解釈可能な帰納バイアスとして,明示的な生物学的幾何学を支持する。
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) - 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) - Conditional Morphogenesis: Emergent Generation of Structural Digits via Neural Cellular Automata [0.0]
本研究では,単一種から異なるトポロジカル構造を成長させることができる条件付きニューラルセルオートマタアーキテクチャを提案する。
ワンホット条件を細胞知覚場に注入することにより、一組の局所規則が対称性を破り、自己集合を10個の異なる幾何学的誘引子に分解することを学ぶことができる。
論文 参考訳（メタデータ） (2025-12-09T08:36:54Z) - Hyperbolic Multimodal Representation Learning for Biological Taxonomies [23.639218053531962]
生物多様性研究における分類学的分類は、証拠に基づいて生物学的標本を構造化階層に分類することを含む。
このような階層モデルに対して,双曲型ネットワークがより良い埋め込み空間を提供できるかどうかを検討する。
提案手法は, マルチモーダルな入力を, コントラッシブと新規な重み付きエンテーメントに基づく目的を用いた共有双曲空間に埋め込む。
論文 参考訳（メタデータ） (2025-08-22T18:52:50Z) - BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。
我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。
得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
論文 参考訳（メタデータ） (2025-05-29T17:48:20Z) - BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology [0.9603373981832565]
BioX-CPathは、全スライド画像(WSI)分類のための説明可能なグラフニューラルネットワークアーキテクチャである。
BioX-CPathはStain-Aware Attention Pooling (SAAP)モジュールを導入した。
論文 参考訳（メタデータ） (2025-03-26T18:00:22Z) - BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。
CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。
そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文 参考訳（メタデータ） (2025-02-23T17:38:10Z) - Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [55.98854157265578]
Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。
本稿では、RNAを逆転写し、アミノ酸をヌクレオチド配列に変換することで、マルチオミクスデータを統合する統一パイプラインを提案する。
Life-Codeは3つのオミクスにまたがる様々なタスクの最先端の結果を達成し、マルチオミクス分析と解釈の進歩の可能性を強調している。
論文 参考訳（メタデータ） (2025-02-11T06:53:59Z) - Biology-Instructions: A Dataset and Benchmark for Multi-Omics Sequence Understanding Capability of Large Language Models [55.74944165932666]
本稿では,生物配列の大規模学習データセットであるBiology-Instructionsを紹介する。
このデータセットは、大きな言語モデル(LLM)と複雑な生物学的シーケンス関連タスクをブリッジし、その汎用性と推論を強化する。
また,マルチオミクスタスクにおける現状のLLMの,専門訓練なしでの大幅な制限を強調した。
論文 参考訳（メタデータ） (2024-12-26T12:12:23Z) - Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
$k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。
k$NN-BioELは、いくつかのデータセットで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） (2023-12-15T14:04:23Z) - BioT5: Enriching Cross-modal Integration in Biology with Chemical
Knowledge and Natural Language Associations [54.97423244799579]
$mathbfBioT5$は、化学知識と自然言語の関連性によって生物学のクロスモーダルな統合を強化する事前学習フレームワークである。
$mathbfBioT5$は構造化知識と非構造化知識を区別し、より効果的な情報利用につながる。
論文 参考訳（メタデータ） (2023-10-11T07:57:08Z)
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。