論文の概要: STP-BENCH: A Unified Systematic Benchmark for Virtual Spatial Transcriptomics from Histopathology Images
- arxiv url: http://arxiv.org/abs/2609.05956v1
- Date: Sat, 05 Sep 2026 07:43:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 12:11:29.483308
- Title: STP-BENCH: A Unified Systematic Benchmark for Virtual Spatial Transcriptomics from Histopathology Images
- Title（参考訳）: STP-BENCH: 病理画像を用いた仮想空間トランスクリプトークスの統一型ベンチマーク
- Abstract要約: ヘマトキシリンとエオシンスライドから直接遺伝子発現を予測する計算的アプローチが、仮想STと呼ばれるようになった。
本稿では,仮想STモデルの標準ベンチマークであるBENCHを紹介する。
アーキテクチャに適用可能な形態的エンコーダとして, 統一病理モデルを用いて再実装した21のアプローチを評価する。
- 参考スコア（独自算出の注目度）: 8.906169973742758
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Spatial transcriptomics (ST) provides unprecedented insights into tumor heterogeneity by capturing spatially resolved gene expression, yet its high experimental cost hinders large-scale adoption. Consequently, computational approaches that predict spatial gene expression directly from hematoxylin and eosin slides, termed virtual ST, have rapidly emerged. Despite this progress, assessing advances in the field remains difficult due to insufficient benchmarking: prior studies rely on small, heterogeneous datasets, inconsistent training and inference pipelines, and limited evaluation of biological interpretability and model robustness. To address these gaps, we present STP-BENCH, a standardized benchmark for virtual ST models. STP-BENCH comprises six cancer types spanning two ST platforms (Visium and Xenium), with each training dataset containing more than 30,000 spots and at least 15 slides to ensure statistical reliability. We evaluate 21 predictive approaches, re-implemented with a unified pathology foundation model as the morphological encoder when architecturally applicable. Beyond conventional benchmarks that report average predictive accuracy on highly variable genes, we systematically examine which genes and gene sets are recoverable from histomorphology. We further evaluate the downstream biological utility of predicted profiles through cell-type deconvolution and spatial domain identification, and assess model reliability under domain shifts and data scaling. Notably, unified morphological encoding substantially re-orders model rankings established in prior studies, indicating that architectural innovations and image encoding have been conflated in previous evaluations. We publicly release STP-BENCH to support reproducibility and serve as a community benchmark at https://github.com/NEXGEM/STP-Bench.
- Abstract（参考訳）: 空間転写学(Spatial transcriptomics, ST)は、空間的に解決された遺伝子発現を捉えることによって、腫瘍の不均一性に対する前例のない洞察を与えるが、その高い実験コストは、大規模な導入を妨げる。
その結果,仮想STと呼ばれるヘマトキシリンおよびエオシンスライドから直接空間遺伝子発現を予測する計算手法が急速に出現した。
この進歩にもかかわらず、ベンチマークが不十分なため、この分野の進歩を評価することは依然として困難であり、以前の研究は、小さくて異質なデータセット、一貫性のないトレーニングと推論パイプライン、生物学的解釈可能性とモデル堅牢性の限定的な評価に依存していた。
これらのギャップに対処するため、仮想STモデルの標準ベンチマークであるSTP-BENCHを提案する。
STP-BENCHは、2つのSTプラットフォーム(VisiumとXenium)にまたがる6つのがんタイプで構成され、各トレーニングデータセットには3万以上のスポットと少なくとも15のスライドが含まれており、統計的信頼性が保証されている。
アーキテクチャに適用可能な形態的エンコーダとして,21の予測的アプローチを統一的病理基盤モデルで再実装した。
高度に変異した遺伝子に対する平均予測精度を報告する従来のベンチマークの他に、どの遺伝子と遺伝子セットが組織形態から回復できるかを系統的に調べる。
さらに,セル型デコンボリューションと空間領域同定による予測プロファイルの下流生物学的有用性を評価し,ドメインシフトとデータスケーリングによるモデルの信頼性を評価する。
特に, 先行研究で確立されたモデルランキングを, 統一形態素エンコーディングで実質的に並べ替えることにより, 以前の評価において, アーキテクチャの革新と画像エンコーディングが混在していることが示唆された。
我々は、再現性をサポートするためにSTP-BENCHを公開し、https://github.com/NEXGEM/STP-Bench.comでコミュニティベンチマークとして機能する。
関連論文リスト
- Hyperbolic Contrastive Learning with Entailment for Spatial Transcriptomics [0.0]
本研究では,空間的トランスクリプトミクスデータの内在的階層関係を捉えた双曲型コントラスト学習モデルを提案する。
HyCLoSTは、双曲幾何学と遺伝子対画像のエンテーメント損失を活用することで、遺伝子の発現予測精度を向上させる構造的、生物学的に基底化された表現を学習する。
論文 参考訳（メタデータ） (2026-09-14T18:39:51Z) - Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics [2.3129926848389633]
空間転写学 (Spatial Transcriptomics, ST) は、無傷組織構造内の空間的に解決された遺伝子発現プロファイルを提供する。
分子誘導を限定した大規模形態素前駆体を組み込んだST(C2L-ST)の中央-局所適応型生成拡散フレームワークを提案する。
C2L-STは、分子レベルのデータ拡張のためのスケーラブルでデータ効率のよいフレームワークを提供する。
論文 参考訳（メタデータ） (2026-03-27T02:32:00Z) - Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images [5.072469295071516]
HINGE (HIstology-coNditioned GEneration) は、訓練済みの sc-FM を条件付き表現生成器に適合させる。
3つのSTデータセットに基づいて評価し、平均ピアソン相関に基づいて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） (2026-03-20T08:52:39Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳（メタデータ） (2026-03-18T05:51:08Z) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - Completing Spatial Transcriptomics Data for Gene Expression Prediction Benchmarking [2.733766402579457]
26の公開データセットからなるデータベースであるSpaREDと、最先端のトランスフォーマーに基づく遺伝子発現補完モデルであるSpaCKLEを紹介する。
我々の貢献は、これまででもっとも包括的な組織像からの遺伝子発現予測のベンチマークとなっている。
論文 参考訳（メタデータ） (2025-05-05T19:17:29Z) - PH2ST:ST-Prompt Guided Histological Hypergraph Learning for Spatial Gene Expression Prediction [9.420121324844066]
本稿では,空間的遺伝子発現予測のためのマルチスケールな組織学的表現学習を支援するために,プロンプト誘導型ハイパーグラフ学習フレームワークPH2STを提案する。
PH2STは既存の最先端手法に勝るだけでなく、欠落点の計算、ST超解像、局所-グローバル予測などの実用的な応用にも大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-03-21T03:10:43Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - Towards Biologically Plausible and Private Gene Expression Data
Generation [47.72947816788821]
差分プライバシー(DP)で訓練された生成モデルは、下流アプリケーションのための合成データの作成において、ますます顕著になりつつある。
しかし、既存の文献は主に基本的なベンチマークデータセットに焦点を当てており、基本的なメトリクスと比較的単純なデータ分布にのみ有望な結果を報告する傾向にある。
本研究では,DP生成モデルが自然応用シナリオにおいてどのように機能するかを系統的に分析し,実世界の遺伝子発現データに焦点をあてる。
論文 参考訳（メタデータ） (2024-02-07T14:39:11Z)
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。