論文の概要: spora: A Unified Multimodal Dataset and Platform for Spatial Proteomics
- arxiv url: http://arxiv.org/abs/2610.24002v1
- Date: Thu, 15 Oct 2026 14:40:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-26 11:47:56.007911
- Title: spora: A Unified Multimodal Dataset and Platform for Spatial Proteomics
- Title（参考訳）: spora: 空間プロテオミクスのための統一マルチモーダルデータセットとプラットフォーム
- Abstract要約: $texttspora$は、35のコホートと5つの主要なSP技術にわたる5,477人の患者の、13,546の標準化された多重画像からなる大規模なマルチモーダルSPデータセットである。
モデルトレーニング対応のフォーマットと細胞と組織セグメンテーション、構造化された臨床メタデータを提供し、利用可能な場合、仮想染色モデルのトレーニングを可能にするペアH&Eを提供する。
- 参考スコア（独自算出の注目度）: 25.302826463113828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial proteomics (SP) captures the molecular composition and spatial organization of tissues at single-cell resolution, opening a direct view of the cellular ecosystems that drive disease. Protein panels, acquisition platforms, and tissue contexts differ from one cohort to the next, and a coherent picture of tissue biology can only emerge from models trained to bridge this heterogeneity. Foundation models offer the natural path forward, but their training depends on large, harmonized corpora that span platforms, panels, and cohorts. No public resource currently approaches that scale; available data sit in small, narrowly scoped releases with incompatible formats and conventions. We present $\texttt{spora}$, a large-scale multimodal SP dataset of 13,546 standardized multiplex images from 5,477 patients across 35 cohorts and five major SP technologies. Curated with biomedical experts, $\texttt{spora}$ provides model training-ready formats together with cell and tissue segmentations, structured clinical metadata, and, where available, paired H&E enabling the training of virtual staining models. It is complemented by $\texttt{spora [io]}$, a unified interface for tiling, sampling, and standardization across all cohorts and modalities, and $\texttt{spora [bench]}$, a benchmark suite spanning cell phenotyping, diagnostic and therapeutic prediction as well as virtual staining tasks across twelve cohorts that places current SP foundation models on common ground against task specific baselines.
- Abstract（参考訳）: 空間プロテオミクス(SP)は、単一細胞の分解能で組織の分子組成と空間構造を捉え、疾患を駆動する細胞生態系を直接的に観察する。
タンパク質パネル、獲得プラットフォーム、組織コンテキストは1つのコホートから次のコホートと異なり、組織生物学のコヒーレントな図は、この不均一性をブリッジするために訓練されたモデルからのみ現れる。
ファンデーションモデルは、前進する自然な道を提供するが、その訓練はプラットフォーム、パネル、コホートにまたがる大きな調和したコーパスに依存している。
利用可能なデータは、互換性のないフォーマットとコンベンションを備えた、狭い範囲の小さなリリースに置かれる。
大規模マルチモーダルSPデータセットである$\texttt{spora}$は、35のコホートと5つの主要なSP技術にわたる5,477人の患者から、13,546の多重化画像を標準化した。
$\texttt{spora}$は、細胞と組織のセグメンテーション、構造化された臨床メタデータ、そして利用可能な場合は、仮想染色モデルのトレーニングを可能にするペア化されたH&Eを提供する。
これは$\texttt{spora [io]}$と$\texttt{spora [bench]}$と$\textt{spora [bench]}$、セル表現、診断、治療予測にまたがるベンチマークスイート、および12コホートにわたる仮想染色タスクによって補完され、現在のSPファンデーションモデルをタスク固有のベースラインに対して共通のグラウンドに配置する。
関連論文リスト
- Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images [50.824193996370106]
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。
論文 参考訳（メタデータ） (2026-09-29T00:40:28Z) - PaSTel: Anchoring Histology in Spatial Transcriptomics via Multi-Scale Hierarchical Bio-Prior Contrastive Pretraining [4.434048652551508]
PaSTelは階層的なマルチモーダル事前学習フレームワークで、生物学的な事前学習を3段階に統合する。
スポットレベルでは、TF-IDF再重み付けは空間的に有意な遺伝子を同定するために使用され、機能レベルでは、KEGG経路はグローバルな生物学的意味論をコードするためのアンカーとして機能する。
地域レベルでは、空間的クラスタリングは、メソスケールの組織構造をモデル化するために近隣のスポットを集約する。
論文 参考訳（メタデータ） (2026-08-14T22:26:17Z) - Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。
MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。
さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。
MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-04-27T02:41:27Z) - A Generative Foundation Model for Multimodal Histopathology [25.341102846996453]
ヘマトキシリンおよびエオシン(H&E)含有組織学、分子RNAプロファイル、臨床テキストを共有潜在空間に埋め込む遺伝子基盤モデルである MuPD を導入する。
MuPD はタスク固有の微調整を最小あるいは全く行わない多様なクロスモーダルタスクをサポートする。
テキスト・コンディショニングおよび画像・画像生成のために、MUDは組織学的に忠実な組織構造を合成する。
論文 参考訳（メタデータ） (2026-04-04T08:09:11Z) - Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。
本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。
6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
論文 参考訳（メタデータ） (2026-02-15T00:59:13Z) - CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。
私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
論文 参考訳（メタデータ） (2025-09-02T03:30:07Z) - SToFM: a Multi-scale Foundation Model for Spatial Transcriptomics [14.008862724608415]
空間的トランスクリプトミクスの基礎モデルの構築は、膨大な複雑なデータソースの分析を大幅に強化することができる。
マルチスケールな空間トランスクリプトミクス基礎モデルであるSToFMを提案する。
SToFMはSTスライス毎にマルチスケール情報抽出を行い、マクロ、マイクロ、遺伝子規模の情報を集約するSTサブスライスセットを構築する。
SToFMは、組織領域セマンティックセグメンテーションや細胞型アノテーションなど、さまざまな下流タスクにおいて優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-07-15T14:47:01Z) - 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) - Molecular-driven Foundation Model for Oncologic Pathology [6.922502805825084]
スライドレベルの基盤モデルであるThreadsを導入し、任意のサイズの全スライド画像の普遍的な表現を生成する。
スレッドは47,171ヘマトキシリンとエオシン(H&E)染色組織分画の多モード学習法を用いて事前訓練を行った。
論文 参考訳（メタデータ） (2025-01-28T02:35:02Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z)
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。