論文の概要: Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images

• arxiv url: http://arxiv.org/abs/2609.36429v1
• Date: Tue, 29 Sep 2026 00:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.078934
• Title: Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images
• Title（参考訳）: 組織像からのスケーラブルなコンテキスト認識型単一セル空間トランスクリプトークス予測に向けて
• Abstract要約: CellOは、画像ごとのフォワードパスを単一の病理基盤モデルで実行するための効率的なエンドツーエンドフレームワークである。 空間バイアスによる局所的形態的コンテキストを用いて各細胞表現を洗練する,距離遅延型クロスアテンションモジュールを提案する。 本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。
• 参考スコア（独自算出の注目度）: 50.824193996370106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting gene expression from H&E-stained histology images offers a scalable alternative to costly spatial transcriptomics, yet most existing methods operate at the spot level, where signals from multiple cells are aggregated and critical cellular heterogeneity is obscured. Extending this paradigm to single-cell resolution is non-trivial. Naively applying pathology foundation models faces a scale mismatch: their patch-level representations mix multiple cells, whereas per-cell cropping or resizing distorts morphology and removes local context. Conversely, segmentation-based models without strong pretrained visual encoders often lack the morphological representation capacity needed for accurate molecular prediction and inherit errors from imperfect cell boundary masks. Here, we present CELLO, an efficient end-to-end framework that performs a single pathology foundation model forward pass per image and uses grid sampling to extract location-specific features for all cells simultaneously. We further introduce a distance-decay cross-attention module that refines each cell representation using spatially biased local morphological context. Using 52 public Xenium-H&E pairs from HEST-1k that span 12 organs and approximately 10 million cells, CELLO improves the average predictive accuracy over the evaluated baselines while reducing the mean whole-slide inference time compared to DeepSpot2Cell, a 14.0x speed-up on average that excludes upstream cell segmentation. Our work establishes a scalable foundation for single-cell gene expression prediction from H&E images.
• Abstract（参考訳）: H&E染色組織像からの遺伝子発現の予測は、コストのかかる空間転写学に代わるスケーラブルな代替手段を提供するが、既存のほとんどの手法はスポットレベルで機能し、複数の細胞からのシグナルが集約され、重要な細胞不均一性が隠蔽される。 このパラダイムを単一セル解像度に拡張するのは簡単ではない。 パッチレベルの表現は複数の細胞を混合するのに対して、細胞ごとの収穫や縮小は形態を変形させ、局所的なコンテキストを除去する。 逆に、強い事前訓練された視覚エンコーダを持たないセグメンテーションベースのモデルは、正確な分子予測と不完全な細胞境界マスクからのエラーの継承に必要な形態的表現能力に欠けることが多い。 本稿では,画像ごとの1つの病理基盤モデルフォワードパスを実行する効率的なエンドツーエンドフレームワークであるCellOを紹介し,グリッドサンプリングを用いて全セルの位置情報特化特徴を同時に抽出する。 さらに,空間バイアスによる局所的形態的コンテキストを用いて,各セルの表現を洗練させる,距離遅延型クロスアテンションモジュールを導入する。 12の臓器と約1000万の細胞にまたがるHEST-1kから52の公的なXenium-H&Eペアを使用して、CellOは、上流の細胞分画を除外する平均14.0倍の速度であるDeepSpot2Cellと比較して、評価されたベースラインの平均予測精度を向上する。 本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。

関連論文リスト

• VOICE: A Vision-Omics Foundation Model Integrating Direct and Retrieval-Based Prediction of In-situ Single-Cell Gene Expression [12.854881472840363]
  ペアXeniumデータを用いて,H&E画像から単一セル表現を予測する多モーダル基礎モデルを提案する。 VICEはXeniumの保留患者、スライド、部分重なり合う遺伝子パネルに一般化し、7つの指標で以前の単細胞表現予測方法より一貫して優れている。
  論文  参考訳（メタデータ） (2026-08-08T23:36:00Z)
• CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation [1.8012666291588018]
  本稿では,単一セルと空間的マルチオミクスを統一したスケーラブルなマルチモーダル基盤モデルであるCellxPertを紹介する。 CellxPertはトランスクリプトーム(scRNA-seq)、アクセシビリティー・アクセシビリティー・アクセシビリティ(ATAC-seq)、表面プロテオーム(CITE-seq)を共同でコードする。 細胞型アノテーション,摂動応答予測,マルチオミック統合において,CellxPertは古典的および最先端のベースラインを超越していることを示す。
  論文  参考訳（メタデータ） (2026-04-30T21:34:16Z)
• Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
  Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。 約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。 これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
  論文  参考訳（メタデータ） (2026-03-26T09:46:27Z)
• SPATIA: Multimodal Model for Prediction and Generation of Spatial Cell Phenotypes [39.45743286683448]
  本研究では,空間転写学のマルチスケール生成予測モデルであるSPATIAを紹介する。 SPATIAは、画像由来のモルフォロジートークンと転写ベクタートークンを融合させることで、細胞レベルの埋め込みを学習する。 われわれはSPATIAを12のタスクにまたがる13の既存モデルに対してベンチマークする。
  論文  参考訳（メタデータ） (2025-07-07T06:54:02Z)
• Self-supervised Representation Learning with Local Aggregation for Image-based Profiling [84.52554180480037]
  画像に基づく細胞プロファイリングは、細胞画像の情報表現を作成することを目的としている。 非コントラスト型自己監督学習の最近の進歩は,本論文にインスピレーションを与えている。 本稿では,セル画像に適したデータ拡張と表現後処理手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T07:25:57Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
  多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。 本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T11:21:33Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。