論文の概要: Understanding Gene Expression-to-Image Learning: Spatial Structure and Information Fidelity

• arxiv url: http://arxiv.org/abs/2610.17699v1
• Date: Tue, 13 Oct 2026 04:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.505739
• Title: Understanding Gene Expression-to-Image Learning: Spatial Structure and Information Fidelity
• Title（参考訳）: 遺伝子発現から画像への学習を理解する:空間構造と情報忠実度
• Abstract要約: Gene Expression-to-Image (GE2I)は、畳み込みニューラルネットワークのためのピクセルグリッドに遺伝子値をアレンジすることで、効果的な学習戦略を提供する。 GE2Iは,ネットワークとトレーニング手順を固定しつつ,フルトランスクリプトームデータに基づいて検討する。 その結果,空間的滑らかさと遺伝子レベルでの忠実さのトレードオフが明らかとなった。
• 参考スコア（独自算出の注目度）: 15.913449807561166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) enables cell-level analysis of biological heterogeneity, but learning effective representations from high-dimensional, unordered gene expression profiles remains challenging. Gene Expression-to-Image (GE2I) offers an effective learning strategy by arranging gene values on pixel grids for convolutional neural networks, but its underlying mechanisms remain unclear. We study GE2I on full-transcriptome data while keeping the network and training procedure fixed. Our results reveal a trade-off between spatial smoothness and gene-level fidelity. Structured mappings produce smooth, low-frequency patterns that support faster early optimization, whereas assigning multiple genes to the same pixel obscures expression differences and can reduce predictive performance. This trade-off explains why random mappings can compete with structured layouts when many genes are represented. One-to-one gene-to-pixel assignment improves prediction across the tested visual backbones even when image smoothness decreases. We further find that the benefits of pretraining and augmentation depend on the backbone and mapping. These findings provide practical guidance for pixel allocation and the transfer of vision priors to gene expression data.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は生物学的不均一性の細胞レベルでの解析を可能にするが、高次元の非秩序な遺伝子発現プロファイルから効果的な表現を学習することは依然として困難である。 Gene Expression-to-Image (GE2I)は、畳み込みニューラルネットワークのためのピクセルグリッドに遺伝子値をアレンジすることで、効果的な学習戦略を提供するが、その基盤となるメカニズムはいまだ不明である。 GE2Iは,ネットワークとトレーニング手順を固定しつつ,フルトランスクリプトームデータに基づいて検討する。 その結果,空間的滑らかさと遺伝子レベルでの忠実さのトレードオフが明らかとなった。 構造化マッピングは、より高速な早期最適化をサポートするスムーズで低周波なパターンを生成する一方、同じピクセルに複数の遺伝子を割り当てると、発現の違いが曖昧になり、予測性能が低下する可能性がある。 このトレードオフは、多くの遺伝子が表現されているとき、ランダムマッピングが構造化レイアウトと競合する理由を説明する。 1対1の遺伝子・ピクセル割り当ては、画像の滑らかさが低下しても、テストされた視覚バックボーン全体の予測を改善する。 さらに、事前トレーニングと強化の利点は、バックボーンとマッピングに依存していることがわかりました。 これらの知見は、遺伝子発現データに先行する画素配置と視覚の伝達に関する実践的なガイダンスを提供する。

関連論文リスト

• EssentialGIN: a new approach for gene essentiality prediction based on graph isomorphism neural networks [1.2599533416395763]
  必須遺伝子(タンパク質)の予測は基本的で難しい問題である。 深層学習と生物学的情報の統合は、近年の研究で必須遺伝子を特定するために用いられている。 本研究では,タンパク質をPPIネットワークのノードとして埋め込むため,グラフ同型ネットワークに着目した。
  論文  参考訳（メタデータ） (2026-06-05T08:43:27Z)
• 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)
• RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency [11.813883157319381]
  ランク付けに基づくアライメント損失を用いて、遺伝子と画像の特徴を整列する新しいフレームワークを提案する。 そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,アライメントの安定性をさらに向上させる。
  論文  参考訳（メタデータ） (2024-11-22T17:08:28Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• 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)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)

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。