論文の概要: VGL-stGen: Learning a shared multimodal model for lung histology and spatial transcriptomics

• arxiv url: http://arxiv.org/abs/2610.28266v1
• Date: Tue, 20 Oct 2026 14:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.853413
• Title: VGL-stGen: Learning a shared multimodal model for lung histology and spatial transcriptomics
• Title（参考訳）: VGL-stGen:肺組織学と空間転写学のための共有マルチモーダルモデル学習
• Abstract要約: VGL-stGenは、事前訓練された医療ビジョン言語モデルから適応した多モーダルな大規模言語モデルである。 トレーニングは、画像表現と発現細胞型ペア、および遺伝子条件付き擬似ラベル移動転写細胞型監督を組織像に統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: VGL-stGen is a multimodal large language model adapted from a pretrained medical vision-language model using paired lung H&E and spatial transcriptomics with single-cell references. Training integrates image-expression and expression-cell-type pairs, and gene-conditioned pseudo-labels transfer transcriptomic cell-type supervision to histology images. One deployed checkpoint supports thirteen evaluated tasks spanning tissue and cell-type classification, gene prediction and conditional expression completion from combinations of histology, cell identity and observed gene expression. Task-specific decoding produces categorical labels, gene lists and structured expression levels. For conditional completion, fixing queried gene identities and predicting their levels autoregressively improves structured prediction. Controlled adaptation shows that restricting supervision to requested expression-level tokens can further improve image-conditioned completion. Image-permutation experiments indicate that correctly paired histology adds information beyond observed expression. External classification relies partly on computational references with shared annotation lineage, and some H&E sources were exposed during cancer training or model development. Within these conditions, VGL-stGen demonstrates how a medical vision-language backbone can learn from spatial transcriptomics and histology to connect tissue morphology and molecular states through shared generative modeling.
• Abstract（参考訳）: VGL-stGenは、一対の肺H&Eと単一細胞参照による空間転写学を用いて、事前訓練された医療ビジョン言語モデルから適応した多モーダルな大言語モデルである。 トレーニングは、画像表現と発現細胞型ペア、および遺伝子条件付き擬似ラベル移動転写細胞型監督を組織像に統合する。 1つのデプロイされたチェックポイントは、組織にまたがる13のタスクと細胞型分類、遺伝子予測、および組織学、細胞同一性、観察された遺伝子発現の組み合わせによる条件付き発現完了をサポートする。 タスク固有のデコードでは、カテゴリラベル、遺伝子リスト、構造的表現レベルが生成される。 条件付き完了のために、クエリされた遺伝子のアイデンティティを固定し、それらのレベルを自動回帰的に予測することで、構造化された予測が向上する。 制御された適応は、要求された表現レベルのトークンに対する監督を制限することで、画像条件付き完了をさらに改善できることを示している。 画像置換実験は、正しくペア化された組織学が観察された表現以上の情報を追加することを示している。 外部分類は、部分的には共有アノテーション系統の計算参照に依存しており、いくつかのH&Eソースは、がん訓練やモデル開発中に露出した。 これらの条件の中で、VGL-stGenは、医用視覚言語バックボーンが空間転写学と組織学から学習し、共有生成モデルを通して組織形態と分子状態を結合する方法を実証している。

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)
• Dual-Path Knowledge-Augmented Contrastive Alignment Network for Spatially Resolved Transcriptomics [5.455957568203595]
  コストが高いため、スライド画像全体から空間的遺伝子発現を予測する努力が進められている。 現在の手法は、高レベルの生物学的文脈の過小評価など、重大な制限に直面している。 DKAN(Dual-path Knowledge-Augmented contrastive alignment Network)を提案する。
  論文  参考訳（メタデータ） (2025-11-21T10:58:04Z)
• Learning from Gene Names, Expression Values and Images: Contrastive Masked Text-Image Pretraining for Spatial Transcriptomics Representation Learning [2.234171233882506]
  CoMTIPはContrastive Masked Text-Image Pretrainingフレームワークである。 画像、遺伝子名、表現値から学習し、空間転写学の微粒な視覚的コンテキストをキャプチャする。 CoMTIPは、様々な下流タスクにおける従来の手法を超えるだけでなく、ゼロショットの遺伝子発現予測も達成している。
  論文  参考訳（メタデータ） (2025-09-21T03:05:17Z)
• A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics [8.854289521774483]
  HESCAPEは空間転写学におけるクロスモーダルコントラスト事前学習の評価のためのベンチマークである。 空間転写学データに事前訓練された遺伝子モデルは、空間データや単純なベースラインアプローチなしで訓練された遺伝子よりも優れている。 バッチ効果は、効果的なクロスモーダルアライメントを阻害する重要な要因である。
  論文  参考訳（メタデータ） (2025-08-02T21:11:36Z)
• Gene-DML: Dual-Pathway Multi-Level Discrimination for Gene Expression Prediction from Histopathology Images [5.638556074980827]
  病理組織像からの正確な遺伝子発現予測は、分子プロファイリングに対するスケーラブルで非侵襲的なアプローチを提供する。 既存の方法では、病理組織像と遺伝子発現プロファイルの相互表現アライメントを未利用にすることがしばしばある。 我々はDual-pathway Multi-Levelの識別を通じて潜在空間を構造化する統合フレームワークであるGene-DMLを提案する。
  論文  参考訳（メタデータ） (2025-07-19T15:45:12Z)
• 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)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)

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。