論文の概要: MoSPR: Histology-to-Gene Expression Prediction with Morpho-Spatial Macrostates and Low-Rank Molecular Programs
- arxiv url: http://arxiv.org/abs/2609.34280v1
- Date: Mon, 28 Sep 2026 04:28:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 22:13:37.687386
- Title: MoSPR: Histology-to-Gene Expression Prediction with Morpho-Spatial Macrostates and Low-Rank Molecular Programs
- Title（参考訳）: MoSPR: モルフォスペーシャルマクロステートと低ランク分子プログラムを用いた組織から遺伝子への発現予測
- Abstract要約: MoSPRは、隣接型組織学表現を低ランク分子ベースで結合する線形フレームワークである。
MoSPRは、評価されたすべての方法の中で、最も平均的な遺伝子発現予測スコアを達成している。
- 参考スコア（独自算出の注目度）: 0.4659423412685077
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predicting molecular profiles from histopathology remains challenging because whole-slide images contain spatially organized, heterogeneous tissue patterns, while gene expression comprises thousands of correlated targets. We introduce MoSPR (Morpho-Spatial Program Regression), a linear framework that couples an adjacency-informed histology representation with a low-rank molecular basis. MoSPR clusters frozen patch embeddings into morphology microstates, aggregates their spatial adjacencies across the training cohort, and groups microstates with similar adjacency patterns into shared macrostates. Each slide is then represented by global morphology and macrostate-specific deviations, which are linearly mapped to coefficients of a training-derived low-rank gene-expression basis. Across three cancer cohorts from The Cancer Genome Atlas, MoSPR achieves the highest mean gene-expression prediction scores among all evaluated methods. Without pathway-level supervision, pathway scores derived from its predicted expression profiles rank first in eight of nine comparisons across three pathway collections. Ablation studies on the breast cancer cohort show complementary gains from adjacency-derived macrostate representation and low-rank molecular prediction. Moreover, with half of the training data on this cohort, MoSPR exceeds the full-data gene-prediction score of the strongest competing baseline. Finally, its linear formulation enables exact decomposition of each predicted expression profile into global and macrostate-specific molecular contributions, providing an interpretable link between spatially coherent macrostate regions and their associated molecular programs. Our code is available at https://github.com/Radisen-Panthera/MoSPR.
- Abstract（参考訳）: 組織病理学からの分子プロファイルの予測は、全スライディング画像が空間的に組織化され異質な組織パターンを含むのに対して、遺伝子発現は数千の相関標的から構成されているため、依然として困難である。
MoSPR (Morpho-Spatial Program Regression) は, 隣接型組織学表現を低ランク分子ベースで結合する線形フレームワークである。
MoSPRクラスターは凍結したパッチをモルフォロジーのマイクロステートに埋め込み、トレーニングコホートに空間的隣接性を集約し、類似の隣接パターンを持つマイクロステートを共有マクロステートにグループ化する。
それぞれのスライドはグローバルな形態学とマクロステート固有の偏差によって表現され、トレーニング由来の低ランク遺伝子の発現基準の係数に線形にマッピングされる。
The Cancer Genome Atlasの3つのがんコホートのうち、MoSPRは、評価されたすべての方法の中で最も平均的な遺伝子発現予測スコアを達成している。
経路レベルの監督がなければ、予測された表現プロファイルから導かれる経路スコアは、3つの経路コレクションの9つの比較のうち8つにランク付けされる。
乳がんコホートに対するアブレーション研究は、隣接性由来のマクロステート表現と低ランク分子予測から相補的な利益を示す。
さらに、このコホートに関するトレーニングデータの半数がMoSPRであり、最強の競合するベースラインの完全なデータ遺伝子予測スコアを超えている。
最後に、その線形定式化により、予測された各発現プロファイルを大域および大局的な分子的コントリビューションに正確に分解することができ、空間的コヒーレントなマクロステート領域とその関連する分子プログラム間の解釈可能なリンクを提供する。
私たちのコードはhttps://github.com/Radisen-Panthera/MoSPRで公開されています。
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) - Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction [3.229566379058554]
凍結した病理組織とRNA-Seqファンデーションモデル上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプトが実現できることを示す。
ベースライン法よりも25倍の検索改善を実現した。
我々はPOSEIDON臨床試験における臨床的有用性を検証する。
論文 参考訳（メタデータ） (2026-06-29T08:24:53Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - MacroGuide: Topological Guidance for Macrocycle Generation [108.89659074751523]
マクロガイド: マクロサイクル生成のためのトポロジカルガイダンスを紹介する。
マクロサイクルの生成に向けて、事前訓練された分子生成モデルのサンプリングを行う。
経験的に、事前訓練された拡散モデルにマクロモードを適用すると、マクロサイクルの生成率は1%から99%に増加する。
論文 参考訳（メタデータ） (2026-02-16T18:00:53Z) - Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。
検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。
生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
論文 参考訳（メタデータ） (2025-11-09T07:25:53Z) - PEaRL: Pathway-Enhanced Representation Learning for Gene and Pathway Expression Prediction from Histology [8.879502752288325]
本稿では PEaRL (Pathway Enhanced Representation Learning) について述べる。
3つのがんSTデータセット全体でPEaRLはSOTA法を一貫して上回り、遺伝子レベルでの発現予測と経路レベルでの表現予測の精度が向上した。
論文 参考訳（メタデータ） (2025-10-03T19:21:23Z) - Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。
分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。
細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文 参考訳（メタデータ） (2025-07-22T04:35:50Z) - Spatial Transcriptomics Expression Prediction from Histopathology Based on Cross-Modal Mask Reconstruction and Contrastive Learning [6.977427565352716]
我々は,全スライディング画像から空間的に解決された遺伝子発現を予測するための,対照的な学習に基づく深層学習法を開発した。
本手法は遺伝子・遺伝子相関を保存し,限られたサンプルを持つデータセットに適用する。
論文 参考訳（メタデータ） (2025-06-10T14:42:03Z) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z)
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。