論文の概要: Biology-Guided Context-Aware Residual Propagation for Spatial Gene Expression Prediction from Histology

• arxiv url: http://arxiv.org/abs/2610.35167v1
• Date: Mon, 26 Oct 2026 10:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.828577
• Title: Biology-Guided Context-Aware Residual Propagation for Spatial Gene Expression Prediction from Histology
• Title（参考訳）: 組織からの空間的遺伝子発現予測のための生物学的ガイド付き文脈認識残差伝播
• Abstract要約: 組織学誘導型空間転写学予測のためのバイオロジー誘導型コンテキスト認識残差伝播フレームワークを提案する。 BCARPは、形態学の視覚的先行を扱い、トランスクリプトミクス指向の潜在空間におけるスポット表現を徐々に洗練する。 その結果, 組織学から転写学への予測に有効な視覚的復号法として, 生物学誘導による局所的・局所的残差伝播が支持された。
• 参考スコア（独自算出の注目度）: 2.2679160149512376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics provides spatially resolved molecular profiling, but its cost, limited throughput and experimental complexity hinder routine large-scale use. Predicting spatial gene expression from hematoxylin-and-eosin-stained histology images offers a scalable alternative, yet remains challenging because histology provides only an indirect morphological view of molecular activity. Existing methods typically decode expression from visual features in a single stage, even when enhanced with spatial aggregation, retrieval or multi-resolution fusion. This formulation is restrictive because spot-level expression reflects not only local morphology but also cellular identity, neighborhood composition and tissue-level organization. We propose BCARP, a Biology-guided Context-Aware Residual Propagation framework for histology-guided spatial transcriptomics prediction. Instead of directly predicting gene expression from histology embeddings, BCARP treats them as morphology visual priors and progressively refines spot representations in a transcriptomics-oriented latent space. Each refinement step integrates nuclei-guided local cellular context with prototype-guided global context propagation, enabling information exchange across both neighboring and spatially distant spots. A pattern-scale decoder further separates spatial expression into pattern prediction from raw expression with scale calibration. Evaluated on three ST datasets and ten HEST-1k cohorts, BCARP achieves the highest mean correlation-based performance against other baselines. Numerical results support biology-guided local-global residual propagation as an effective alternative to visual decoding for histology-to-transcriptomics prediction.
• Abstract（参考訳）: 空間転写学は、空間的に解決された分子プロファイリングを提供するが、そのコスト、スループットの制限、実験的な複雑さは、日常的な大規模使用を妨げる。 ヘマトキシリンおよびエオシン染色組織像からの空間遺伝子発現の予測は、スケーラブルな代替手段を提供するが、組織学は分子活性の間接的な形態学的ビューのみを提供するため、依然として困難である。 既存の手法では、空間集約、検索、マルチレゾリューション融合によって拡張された場合でも、単一のステージにおける視覚的特徴から表現をデコードする。 この定式化は、スポットレベルの発現が局所的な形態だけでなく、細胞のアイデンティティ、近傍の組成、組織レベルの組織を反映しているため、制限的である。 組織学誘導型空間転写学予測のためのバイオロジー誘導型コンテキスト認識残留伝播フレームワークBCARPを提案する。 BCARPは、組織学的埋め込みから直接遺伝子発現を予測する代わりに、それらを形態学的視覚的先行として扱い、トランスクリプトミクス指向の潜伏空間におけるスポット表現を徐々に洗練する。 それぞれの改良ステップは、核誘導された局所的なコンテキストとプロトタイプ誘導のグローバルなコンテキスト伝搬を統合し、隣り合う場所と空間的に離れた場所の両方で情報交換を可能にする。 パターンスケールデコーダは、さらに、空間表現を、スケールキャリブレーション付き生表現からパターン予測に分離する。 3つのSTデータセットと10のHEST-1kコホートに基づいて評価され、BCARPは他のベースラインに対して最も高い平均相関に基づく性能を達成する。 組織学と転写学の予測のための視覚的復号法に有効な方法として,生物学誘導による局所的・局所的残差伝播が有効である。

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)
• Hyperbolic Contrastive Learning with Entailment for Spatial Transcriptomics [0.0]
  本研究では,空間的トランスクリプトミクスデータの内在的階層関係を捉えた双曲型コントラスト学習モデルを提案する。 HyCLoSTは、双曲幾何学と遺伝子対画像のエンテーメント損失を活用することで、遺伝子の発現予測精度を向上させる構造的、生物学的に基底化された表現を学習する。
  論文  参考訳（メタデータ） (2026-09-14T18:39:51Z)
• COAST: Context-Aware Differential Learning for Gene Expression Prediction in Spatial Transcriptomics [2.073620179775842]
  空間的遺伝子発現予測のための文脈認識型差分学習フレームワークCOASTを提案する。 COASTはTransformerエンコーダを使用してターゲットとコンテキストのスポットトークンを集約し、きめ細かいローカルパターンとスライドレベルの構造の両方をキャプチャする。 複数の空間トランスクリプトミクスデータセットの実験では、相関と分布に基づくメトリクスが一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-07-10T07:50:23Z)
• HEXST: Hexagonal Shifted-Window Transformer for Spatial Transcriptomics Gene Expression Prediction [2.545948917437212]
  HEXSTは、組織学からの空間的遺伝子発現予測のための幾何整列変換器である。 ヘキサゴナルスポット座標を直接操作し、効率的な局所-グローバルな文脈モデリングを可能にする。 7つの空間転写学データセットで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-06T09:34:56Z)
• Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics [2.3129926848389633]
  空間転写学 (Spatial Transcriptomics, ST) は、無傷組織構造内の空間的に解決された遺伝子発現プロファイルを提供する。 分子誘導を限定した大規模形態素前駆体を組み込んだST(C2L-ST)の中央-局所適応型生成拡散フレームワークを提案する。 C2L-STは、分子レベルのデータ拡張のためのスケーラブルでデータ効率のよいフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-03-27T02:32:00Z)
• MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models [5.15189458127282]
  我々は、空間転写学の監督を事前学習した病理学の視覚変換器に組み込む微調整フレームワークであるMINTを提案する。 MINTは学習可能なSTトークンをViT入力に追加し、形態学的CLSトークンとは別個の転写情報をエンコードする。 MINTは、HEST-Benchの遺伝子発現予測と一般的な病理学タスクの両方において、最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-09T02:29:10Z)
• 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)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)

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。