論文の概要: Preserving DEG Rankings for Gene Discovery in Histology-Based Spatial Gene Expression Prediction

• arxiv url: http://arxiv.org/abs/2609.33928v1
• Date: Sun, 27 Sep 2026 21:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 15:35:31.738253
• Title: Preserving DEG Rankings for Gene Discovery in Histology-Based Spatial Gene Expression Prediction
• Title（参考訳）: 歴史に基づく空間的遺伝子発現予測における遺伝子発見のためのDGランキングの保存
• Abstract要約: 画像ベース差分式ランキング(IDER)を定式化する。 IDERは、生の表現の大きさや遺伝子ごとの空間相関ではなく、差分表現統計によって誘導される遺伝子ランキングを比較する。 パブリックSTデータセットの実験では、従来の再建目標よりもDECレベルの合意と経路富化の重なりが向上した。
• 参考スコア（独自算出の注目度）: 5.506462752350742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting spatial gene expression from histology images could scale spatial transcriptomics (ST) to image-only cohorts, but conventional histology-based ST prediction is trained and evaluated mainly by per-gene spatial-profile reconstruction. This objective is misaligned with a key downstream use of ST: differentially expressed gene (DEG) discovery, where genes are ranked for a biological or morphology-defined contrast by evidence of between-group expression differences. We formulate image-based differential expression ranking (IDER), which asks whether predicted expression profiles preserve the contrast-specific ranked gene list obtained from measured profiles. IDER compares gene rankings induced by differential-expression statistics, rather than raw expression magnitudes or per-gene spatial correlations. We further introduce a differentiable IDER objective that aligns these statistics across genes and can be trained with morphology-derived proxy contrasts without predefined biological group labels. Experiments on public ST datasets show improved DEG-ranking agreement and pathway-enrichment overlap over conventional reconstruction objectives, including morphology-derived and pathologist-annotated tissue-region evaluations.
• Abstract（参考訳）: 組織像からの空間遺伝子発現の予測は空間転写学(ST)を画像のみのコホートに拡張することができるが、従来の組織学的ST予測は、主に遺伝子ごとの空間的な再構成によって訓練され、評価される。 この目的は、STのキーダウンストリームの使用と誤って一致している: 差分表現遺伝子(DEG)発見(英語版)では、遺伝子は、グループ間の発現の違いの証拠によって生物学的または形態学的に定義されたコントラストにランク付けされている。 画像に基づく差分式ランキング(IDER)を定式化し、予測された表現プロファイルが、測定されたプロファイルから得られたコントラスト特異的なランク付け遺伝子リストを保存するかどうかを問う。 IDERは、生の表現の大きさや遺伝子ごとの空間相関ではなく、差分表現統計によって誘導される遺伝子ランキングを比較する。 さらに、これらの統計を遺伝子間で整合させ、予め定義された生物学的グループラベルを使わずに形態学由来のプロキシコントラストで訓練できる、微分可能なIDERの目的を導入する。 公立STデータセットを用いた実験では,形態学的および病理解剖学的組織領域評価を含む,従来の再建目標よりもDECレベルの一致と経路富化の重なりが改善された。

関連論文リスト

• 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)
• HistoGPA: A Context-Conditioned Gene-Prior Attention Framework for Histology-Based Spatial Gene Expression Prediction [15.110981735183913]
  HistoGPAは文脈条件付き遺伝子プライオリティアテンションフレームワークである。 それは、その局所形態、位置、およびスライドコンテキストを用いて、文脈適応された遺伝子優先情報を検索する。 がん関連遺伝子の空間的発現パターンを復元する。
  論文  参考訳（メタデータ） (2026-07-27T12:39:02Z)
• COAST: Context-Aware Differential Learning for Gene Expression Prediction in Spatial Transcriptomics [2.073620179775842]
  空間的遺伝子発現予測のための文脈認識型差分学習フレームワークCOASTを提案する。 COASTはTransformerエンコーダを使用してターゲットとコンテキストのスポットトークンを集約し、きめ細かいローカルパターンとスライドレベルの構造の両方をキャプチャする。 複数の空間トランスクリプトミクスデータセットの実験では、相関と分布に基づくメトリクスが一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-07-10T07:50:23Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• MERGE: Multi-faceted Hierarchical Graph-based GNN for Gene Expression Prediction from Whole Slide Histopathology Images [6.717786190771243]
  MERGE(Multifaceted hiErarchical gRaph for Gene Expressions)を導入し、階層グラフ構築戦略とグラフニューラルネットワーク(GNN)を組み合わせて、スライド画像全体の遺伝子発現予測を改善する。 組織像パッチを空間的特徴と形態的特徴の両方に基づいてクラスタリングすることにより,GNN学習における遠隔組織間の相互作用を促進する。 さらに,STデータ中のアーティファクトを緩和するために必要な異なるデータ平滑化技術の評価を行った。
  論文  参考訳（メタデータ） (2024-12-03T17:32:05Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• 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)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• All You Need is Color: Image based Spatial Gene Expression Prediction using Neural Stain Learning [11.9045433112067]
  本研究では,空間的転写学的遺伝子発現プロファイルの予測のための機械学習手法を提案する。 提案手法から得られた遺伝子発現予測は,シークエンシングにより得られた真の表現値と高い相関関係を示した。
  論文  参考訳（メタデータ） (2021-08-23T23:43:38Z)

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。