論文の概要: Language as the Interface: Foundation-Model Contrastive Learning Links Transcriptomes and Electrophysiology

• arxiv url: http://arxiv.org/abs/2609.37024v1
• Date: Tue, 29 Sep 2026 08:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.335744
• Title: Language as the Interface: Foundation-Model Contrastive Learning Links Transcriptomes and Electrophysiology
• Title（参考訳）: インターフェイスとしての言語:基礎モデルコントラスト学習はトランスクリプトームと電気生理学をリンクする
• Abstract要約: LangPatchは基礎モデルに基づくコントラスト学習フレームワークである。 ペアのPatch-seqデータを用いて、事前訓練されたGenePT表現と電気生理学的表現型を整列する。
• 参考スコア（独自算出の注目度）: 8.446523818150764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating transcriptomic and electrophysiological data is essential for building multimodal foundation models for neuroscience. Patch-seq provides paired measurements of gene expression and intrinsic electrophysiology from the same neuron, establishing a basis for training cross-modal models. Here we introduce LangPatch, a foundation-model-based contrastive learning framework that uses paired Patch-seq data to align pretrained GenePT representations with electrophysiological phenotypes through a language-based interface. Gene descriptions and verbalized electrophysiological profiles are embedded by the same frozen text encoder. A context adapter and projection modules connect the modalities through paired contrastive learning. Across mouse visual, mouse motor, and human cortical cohorts, LangPatch achieves the highest mean transcriptome-to-electrophysiology prediction correlation among the evaluated foundation-model and representation-learning methods. It also improves held-out cross-modal alignment in the two mouse cohorts (FOSCTTM 0.107/0.135 vs. 0.208/0.222 for JAMIE, an existing cross-modal Patch-seq imputation method). It predicts transcriptomic family, type, cortical layer, and marker-gene expression from electrophysiology, exceeding other baselines on most endpoints. More importantly, the method transfers across brain areas and species: a model trained on mouse visual cortex predicts electrophysiology in motor cortex with approximately 70% correlation retention and in human cortex with 47% (58% on acute-slice recordings). Together, these results demonstrate alignment between molecular and functional representations of neurons, providing a building block for multimodal foundation models in neuroscience.
• Abstract（参考訳）: 神経科学のための多モード基盤モデルを構築するためには、転写学と電気生理学的データの統合が不可欠である。 Patch-seqは、同じニューロンから遺伝子発現と内在性電気生理学をペアで測定し、クロスモーダルモデルのトレーニングの基礎を確立する。 本稿では,Patch-seqデータを用いた基礎モデルに基づくコントラスト学習フレームワークであるLangPatchを紹介する。 遺伝子記述と言語化電気生理学的プロファイルは、同じ凍結されたテキストエンコーダに埋め込まれている。 コンテクストアダプタと投影モジュールは、対のコントラスト学習を通じてモダリティを接続する。 マウスの視覚、マウスの運動、ヒトの皮質コホート全体において、LangPatchは、評価された基礎モデルおよび表現学習法の中で、最も平均的なトランスクリプトームから電気生理学的予測の相関を達成している。 FOSCTTM 0.107/0.135 vs. 0.208/0.222 for JAMIE, an existing cross-modal Patch-seq imputation method)。 電気生理学からトランスクリプトームファミリー、タイプ、皮質層、マーカー遺伝子の発現を予測し、ほとんどのエンドポイントで他のベースラインを超える。 マウス視覚野で訓練されたモデルでは、約70%の相関保持を持つ運動野と、47%(急性スライス記録では58%)のヒト大脳皮質の電気生理学が予測される。 これらの結果は、ニューロンの分子的表現と機能的表現のアライメントを示し、神経科学におけるマルチモーダル基盤モデルのためのビルディングブロックを提供する。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• Cross-Species Transfer Learning for Electrophysiology-to-Transcriptomics Mapping in Cortical GABAergic Interneurons [0.0]
  単細胞電気生理学的記録は神経機能多様性への強力な窓を提供する。 Gouwensらによって導入された電気生理転写学の枠組みを複製し拡張する。 私たちは、マウスとヒトの皮質の両方から公開されているAllen Institute Patchseqデータセットを使用します。
  論文  参考訳（メタデータ） (2026-03-11T17:23:54Z)
• 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)
• Machine Learning-Based Prediction of Speech Arrest During Direct Cortical Stimulation Mapping [2.060123990983555]
  音声タスクを施行した16名を対象に頭蓋内脳波(ECoG)データを解析した。 我々は、各ECoGの下の脳領域が重要かどうかを直接予測する機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-09-10T15:53:08Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• BriLLM: Brain-inspired Large Language Model [40.47939901030644]
  BriLLMは、機械学習の基礎を再定義する、脳にインスパイアされた大きな言語モデルである。 BriLLMは2つの重要な神経認知原理を取り入れている。(1) 静的な意味マッピング、(2) トークンは皮質領域に類似した特定のノードにマッピングされ、(2) 脳活動で観察される電気生理学的情報ダイナミクスをシミュレートする動的信号伝達である。 このアーキテクチャは、自然なマルチモーダル互換性、ノードレベルでの完全なモデル解釈可能性、コンテキスト長の独立スケーリング、言語タスクのための脳に似た情報処理のグローバルなシミュレーションなど、複数の革新的なブレークスルーを可能にする。
  論文  参考訳（メタデータ） (2025-03-14T11:08:30Z)
• Segment Anything for Dendrites from Electron Microscopy [36.25707481854301]
  EM画像中のデンドライトのインタラクティブかつ自動セグメンテーションのためのセグメンテーションに基づく視覚基盤モデルであるデンドライトSAMを提案する。 このモデルは、健康な海馬ラットの高分解能EMデータに基づいて訓練され、病気のラットとヒトのデータで試験される。
  論文  参考訳（メタデータ） (2024-11-04T19:54:26Z)
• AM-MTEEG: Multi-task EEG classification based on impulsive associative memory [6.240145569484483]
  本研究では,ヒト海馬における学習と記憶の原理に着想を得たマルチタスク分類モデルAM-MTEEGを提案する。 このモデルは個々の脳波を独立したタスクとして扱い、個人間での機能共有を促進する。 2つのBCIコンペティションデータセットによる実験結果から,我々のモデルでは最先端モデルと比較して平均精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-09-27T01:33:45Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Model-based analysis of brain activity reveals the hierarchy of language in 305 subjects [82.81964713263483]
  言語の神経基盤を分解する一般的なアプローチは、個人間で異なる刺激に対する脳の反応を関連付けている。 そこで本研究では,自然刺激に曝露された被験者に対して,モデルに基づくアプローチが等価な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-12T15:30:21Z)

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。