論文の概要: SpaFactor: Lightweight Spatial Context-Aware Gene Program Modeling for Histology-to-Transcriptomics Inference

• arxiv url: http://arxiv.org/abs/2609.28563v1
• Date: Wed, 23 Sep 2026 09:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.405511
• Title: SpaFactor: Lightweight Spatial Context-Aware Gene Program Modeling for Histology-to-Transcriptomics Inference
• Title（参考訳）: SpaFactor: ヒストロジ-トランスクリプトミクス推論のための軽量空間文脈対応遺伝子プログラムモデリング
• Abstract要約: SpaFactorは低ランクなモルフォロジー-プログラム-遺伝子分解フレームワークである。 中心地点の視覚的表現を多スケールの地域的・地域的な文脈で効果的に融合させる。 5つの公的なコホートで最高のアグリゲーションパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 7.2809118914983815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics (ST) profiles gene expression within tissue architecture, but its cost and experimental complexity limit routine use. Predicting spatial expression from routinely available hematoxylin and eosin (HE) images therefore offers a scalable alternative. However, conventional methods often fit high-dimensional gene outputs as independent targets, overlooking the biological coordination among genes while remaining vulnerable to high-dimensional noise and overfitting. Existing attempts to address this limitation often rely on computationally heavy graph networks or complex auxiliary supervision. We therefore introduce SpaFactor, a lightweight and efficient low-rank morphology-program-gene factorization framework. At the input, SpaFactor efficiently fuses the visual representation of the central spot with multiscale local and regional neighborhood context, yielding a histologic representation that captures cellular morphology and microenvironmental heterogeneity. For modeling, a residual MLP stably learns a nonlinear mapping from the tissue microenvironment to low-dimensional latent gene programs. These activities are decoded through shared gene loadings into coordinated multi-gene expression predictions. Across five public cohorts, SpaFactor achieves the best aggregate performance, with particularly clear improvements for spatially variable genes, and more faithfully recovers biologically organized spatial patterns. These results demonstrate that lightweight joint modeling of tissue context and gene programs can improve both predictive accuracy and biological fidelity.
• Abstract（参考訳）: 空間転写学(ST)は、組織構造内の遺伝子発現をプロファイルするが、そのコストと実験的複雑さは定期的な使用を制限する。 日常的に利用可能なヘマトキシリンとエオシン(HE)画像から空間表現を予測することは、スケーラブルな代替手段を提供する。 しかし、従来の方法では、高次元のノイズや過剰適合に弱いまま、遺伝子間の生物学的協調性を見越して、高次元の遺伝子出力を独立した標的として適合させることが多い。 この制限に対処する既存の試みは、しばしば計算量の多いグラフネットワークや複雑な補助監督に依存している。 そこで我々は,軽量かつ効率的な低ランク形態素-プログラム-遺伝子分解フレームワークであるSpaFactorを紹介した。 入力時に、SpaFactorは、局所的および局所的な局所的なコンテキストで中心スポットの視覚的表現を効率的に融合させ、細胞形態と微小環境の不均一性を捉えた組織学的表現を生成する。 モデリングでは、残留MLPは組織微小環境から低次元潜伏遺伝子プログラムへの非線形マッピングを安定して学習する。 これらのアクティビティは、共有遺伝子ローディングを通じて、コーディネートされた多遺伝子表現予測にデコードされる。 5つの公的なコホートの中で、SpaFactorは、特に空間的に可変な遺伝子を顕著に改善し、生物学的に組織された空間パターンを忠実に回復する。 これらの結果は、組織コンテキストと遺伝子プログラムの軽量な関節モデリングが、予測精度と生物学的忠実度の両方を改善することを示している。

関連論文リスト

• Program-space Diffusion for Morphology-to-Transcriptomics Prediction [0.0]
  プログラム空間における条件生成として形態学から転写学への予測を再構成する。 トレーニングデータにおけるコーディネート表現の変動を計測する低次元プログラムの集合を抽出する。 組織学からプログラムアクティベーションを生成するために条件拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2026-08-14T14:20:40Z)
• BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
  BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。 学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。 CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
  論文  参考訳（メタデータ） (2026-08-06T11:58:29Z)
• Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics [9.067087306213525]
  我々は、部分的な遺伝子発現を用いて、組織像とともに予測過程を導出する。 本研究では,masked Autoencoder (MAE) を用いて,少数の遺伝子発現を遺伝子アンカーとして利用し,全スライディング遺伝子発現プロファイルを推定する。 我々のフレームワークは、ヒストロジのみの予測と空間的計算の両方において、既存の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-19T06:47:55Z)
• 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)
• Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference [7.79162872496708]
  SpaHGCは、組織像からスライス内とスライス間スポットの関係をキャプチャするグラフベースのモデルである。 対象スライド内の局所的空間コンテキストと,病理基盤モデルから抽出した画像埋め込みから計算したクロススライド類似性を統合する。 SpaHGCは、すべての評価指標で既存の9つの最先端メソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-03-24T05:49:00Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、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） (2026-02-03T16:43:40Z)
• Dual-Path Knowledge-Augmented Contrastive Alignment Network for Spatially Resolved Transcriptomics [5.455957568203595]
  コストが高いため、スライド画像全体から空間的遺伝子発現を予測する努力が進められている。 現在の手法は、高レベルの生物学的文脈の過小評価など、重大な制限に直面している。 DKAN(Dual-path Knowledge-Augmented contrastive alignment Network)を提案する。
  論文  参考訳（メタデータ） (2025-11-21T10:58:04Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)

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。