論文の概要: Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
- arxiv url: http://arxiv.org/abs/2610.28579v1
- Date: Tue, 20 Oct 2026 17:32:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.951308
- Title: Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
- Title（参考訳）: 空間転写学における空間情報と方向感性表現学習
- Abstract要約: 本稿では,分子選択と細胞コンテキストの両方に対処する空間表現学習フレームワークであるTesseraを紹介する。
相対的な細胞-細胞間の関係をモデル化することにより、テセラは方向を保ちながら翻訳不変である。
保持された組織や技術全体で、Tesseraは既存の空間基盤モデルを表現品質で上回っている。
- 参考スコア（独自算出の注目度）: 4.368515769941838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cellular states are shaped by both intrinsic gene expression programs and the spatial microenvironment in which cells reside. Spatial transcriptomics makes this context measurable, but effective representation learning requires capturing both spatially informative molecular signals and intercellular organization. Existing approaches address these challenges only partially: conventional gene selection can overlook spatially structured signals, while methods for encoding cell-cell relationships often either reduce a cell's microenvironment to proximity alone, discarding direction, or rely on absolute coordinates tied to an arbitrary tissue frame. Consequently, cells with similar neighbor distances but distinct spatial organization may receive overly similar representations, despite experiencing different biological contexts that shape their cellular states. We introduce Tessera, a spatial representation learning framework that addresses both molecular selection and cellular context. Tessera combines spatially informed gene selection with a geometric inductive bias that contextualizes each cell within its local tissue environment. By modeling relative cell-cell relationships, Tessera is translation-invariant while preserving direction, allowing neighboring cells to contribute differently according to their spatial context and cellular state. Across held-out tissues and technologies, Tessera outperforms existing spatial foundation models in representation quality and generalizes zero-shot to contexts up to $16\times$ larger than those seen during training.
- Abstract（参考訳）: 細胞状態は、内在的な遺伝子発現プログラムと、細胞が居住する空間的微小環境の両方によって形成される。
空間転写学は、この文脈を計測可能にするが、効果的な表現学習には、空間的に情報伝達される分子信号と細胞間組織の両方をキャプチャする必要がある。
従来の遺伝子選択は、空間的に構造化された信号を見渡すことができ、細胞と細胞の関係をコードする手法は、細胞の微小環境を単独で減少させるか、方向を放棄するか、任意の組織フレームに結びついた絶対座標に依存するかのいずれかである。
その結果、近くの細胞と類似しているが空間的な組織が異なる細胞は、細胞状態を形成する異なる生物学的文脈を経験しているにもかかわらず、非常に類似した表現を受ける可能性がある。
本稿では,分子選択と細胞コンテキストの両方に対処する空間表現学習フレームワークであるTesseraを紹介する。
テセラは、空間的に情報を得た遺伝子選択と幾何学的誘導バイアスを組み合わせることで、各細胞を局所的な組織環境の中で文脈化させる。
相対的な細胞と細胞の関係をモデル化することにより、テセラは方向を保ちながら翻訳不変であり、隣の細胞はその空間的状況や細胞状態に応じて異なる寄与をすることができる。
保持された組織や技術全体にわたって、Tesseraは既存の空間基盤モデルを表現品質で上回り、ゼロショットを最大16\times$のコンテキストに一般化する。
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) - 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) - MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。
この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。
合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
論文 参考訳（メタデータ） (2026-03-23T20:49:45Z) - Uncovering spatial tissue domains and cell types in spatial omics through cross-scale profiling of cellular and genomic interactions [26.7111709393529]
本稿では,高速空間転写学解析の限界を克服するディープラーニングフレームワークであるCellScapeを提案する。
CellScapeは、組織空間における細胞間相互作用と細胞間のゲノム関係をモデル化し、包括的な表現を生成する。
この技術は、空間領域のセグメンテーションを改善する生物学的に有意義なパターンを明らかにする。
論文 参考訳（メタデータ） (2026-02-13T06:22:43Z) - Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。
NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
論文 参考訳（メタデータ） (2025-11-02T15:41:38Z) - CellSymphony: Deciphering the molecular and phenotypic orchestration of cells with single-cell pathomics [1.5312292486898271]
我々は,Xenium transcriptomic profiles と Histology image の双方からの基盤モデル由来の埋め込みを,真の単一セル解像度で活用するフレキシブルなフレームワークである CellSymphony を紹介する。
形態学的文脈で空間的遺伝子発現を融合する関節表現を学習することにより、CellSymphonyは正確な細胞型アノテーションを達成し、3種類の癌にまたがる異なる微小環境ニッチを明らかにする。
論文 参考訳（メタデータ） (2025-08-13T23:02:04Z) - 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) - HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data [25.915980581662023]
本稿では,空間転写学とトランスフォーマーのための階層グラフ基盤モデルであるHEISTを紹介する。
HEISTは、124の組織から15の臓器の22.3M細胞に、空間的に認識されるコントラストとマスクされた自己エンコーディングの目的を用いて事前訓練されている。
論文 参考訳（メタデータ） (2025-06-11T12:29:01Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Latent Space Inference For Spatial Transcriptomics [0.196629787330046]
組織サンプルの完全な遺伝子発現情報を得るための確率論的機械学習手法について検討する。
これは、変動機械学習手法を用いて、両方のデータセットを共同潜在空間表現にマッピングすることで実現される。
ここから、完全な遺伝学的および空間的情報をデコードし、細胞プロセスや経路の理解についてより深い洞察を与えることができる。
論文 参考訳（メタデータ） (2023-11-01T06:50:00Z)
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。