論文の概要: From WSIs to Bulk, Spatial and Single-Cell Transcriptomics via Multi-Scale Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2610.41692v1
- Date: Fri, 30 Oct 2026 12:59:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.712689
- Title: From WSIs to Bulk, Spatial and Single-Cell Transcriptomics via Multi-Scale Graph Neural Networks
- Title（参考訳）: マルチスケールグラフニューラルネットワークによるWSIからバルク・空間・単セルトランスクリプトクスへ
- Abstract要約: この研究は、バルク、空間、単一セルの転写学を同時に予測できるマルチスケールグラフニューラルネットワーク(GNN)を導入している。
このネットワークは、The Cancer Genome Atlas Program(TCGA)、Visium、Xeniumサンプルの組み合わせデータセットでトレーニングされている。
その結果, このモデルでは, スライドレベルでの遺伝子発現を正確に予測し, パッチレベルでは適度に予測し, 挑戦する単一細胞レベルでは適度な相関が得られた。
- 参考スコア（独自算出の注目度）: 9.050510996987436
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding the spatial distribution of gene expression is key to studying complex diseases like cancer. While Spatial Transcriptomics (ST) and Single-Cell Transcriptomics (scT) provide high-resolution insights, they remain expensive and scarce. In contrast, standard histopathology Whole-Slide Images (WSIs) paired with bulk RNA sequencing are widely available. This work introduces a Multi-Scale Graph Neural Network (GNN) capable of simultaneously predicting bulk, spatial, and single-cell transcriptomics directly from WSIs. By extracting morphological features using a Pathology Foundation Model (PFM) (UNI2-h) and constructing spatial graphs at both patch and cell levels, the model learns the hierarchical relationships within the tissue. The network is trained on a combined dataset of The Cancer Genome Atlas Program (TCGA), Visium, and Xenium samples across lung, kidney, and breast tissues. A hybrid training strategy is employed, leveraging direct supervision alongside weakly supervised consistency losses to ensure predictions align across biological scales. Results show the model accurately predicts gene expression at the slide level and moderately at the patch level (strongest on Xenium), and achieves moderate correlation at the challenging single-cell level. Furthermore, downstream tasks explore the clinical relevance of these predictions, demonstrating their utility in survival analysis, spatial hazard mapping, and tumor classification via molecular signatures.
- Abstract（参考訳）: 遺伝子発現の空間分布を理解することは、がんのような複雑な疾患を研究する上で鍵となる。
Space Transcriptomics (ST) と Single-Cell Transcriptomics (scT) は高解像度な洞察を提供するが、それらは高価で不足している。
対照的に、バルクRNAシークエンシングと組み合わせた標準病理組織学のWSI(Whole-Slide Images)が広く利用可能である。
この研究は、WSIから直接バルク、空間、シングルセルの転写を同時に予測できるマルチスケールグラフニューラルネットワーク(GNN)を導入している。
病理基盤モデル(UNI2-h)を用いて形態的特徴を抽出し、パッチと細胞レベルで空間グラフを構築することにより、組織内の階層的関係を学習する。
このネットワークはThe Cancer Genome Atlas Program(TCGA)、Visium、Xeniumといった肺、腎臓、乳房組織を対象とするデータセットで訓練されている。
ハイブリッドトレーニング戦略が採用され、生物学的スケールをまたいだ予測の整合性を確保するために、微弱に監督された整合性損失と共に直接監督される。
その結果, このモデルは, スライドレベルでの遺伝子発現を正確に予測し, パッチレベルでは適度に予測し, シングルセルレベルでは適度な相関が得られた。
さらに、下流のタスクはこれらの予測の臨床的関連性を探求し、生存分析、空間ハザードマッピング、および分子シグネチャによる腫瘍分類におけるそれらの有用性を実証する。
関連論文リスト
- Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。
ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。
MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
論文 参考訳（メタデータ） (2026-06-16T16:22:42Z) - Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference [7.79162872496708]
SpaHGCは、組織像からスライス内とスライス間スポットの関係をキャプチャするグラフベースのモデルである。
対象スライド内の局所的空間コンテキストと,病理基盤モデルから抽出した画像埋め込みから計算したクロススライド類似性を統合する。
SpaHGCは、すべての評価指標で既存の9つの最先端メソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2026-03-24T05:49:00Z) - 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) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - SemanticST: Spatially Informed Semantic Graph Learning for Clustering, Integration, and Scalable Analysis of Spatial Transcriptomics [3.1403380447856426]
本稿では,空間転写学解析のためのグラフベースのディープラーニングフレームワークSemanticSTを提案する。
ミニバッチトレーニングをサポートしており、Xenium(50,000セル)のような大規模データセットにスケーラブルなグラフニューラルネットワークとしては初めてのものだ。
論文 参考訳（メタデータ） (2025-06-13T06:30:48Z) - Dynamic Hypergraph Representation for Bone Metastasis Cancer Analysis [12.383707480056557]
骨転移解析は患者の生活の質や治療戦略を決定する上で重要な役割を担っている。
従来のグラフ表現のエッジ構築制限を克服する動的ハイパーグラフニューラルネットワーク(DyHG)を提案する。
DyHGは最先端のSOTAベースラインを著しく上回り、複雑な生物学的相互作用をモデル化する能力を示している。
論文 参考訳（メタデータ） (2025-01-28T08:33:59Z) - Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。