論文の概要: GESTALT: Fast, Generalizable Histopathology Image Synthesis from Gene Expression with Pretrained Pathology Foundation Models

• arxiv url: http://arxiv.org/abs/2611.01141v1
• Date: Sat, 31 Oct 2026 17:31:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:48:58.437223
• Title: GESTALT: Fast, Generalizable Histopathology Image Synthesis from Gene Expression with Pretrained Pathology Foundation Models
• Title（参考訳）: GESTALT: 保存された病理基盤モデルを用いた遺伝子発現からの高速で一般化可能な病理画像合成
• Abstract要約: 本稿では,病理基盤モデルのイメージ埋め込みを予測するため,遺伝子発現と画像合成を再構成するGESTALTを提案する。 この視覚的知識は疎外されるのではなく再利用されるため、GESTALTはわずかな時間で訓練を行う。 GESTALTは、我々の知る限り、細胞の種類、密度、組成をはっきりと制御した細胞分解転写領域と組織像の初めてのペア合成を提供する。
• 参考スコア（独自算出の注目度）: 74.68133374118322
• License:
• Abstract: Spatial transcriptomics measures gene expression while preserving where each cell sits in the tissue. The inverse, what a given transcriptomic state looks like, is less explored but equally useful: it lets researchers visualize the morphological consequence of a molecular state and interpret a spatial assay's molecular calls against real tissue structure. GeneFlow, the current state of the art on the Xenium gene expression-to-image benchmark, trains a model from scratch, incurring a high cost on every new target dataset it is applied to. We instead propose GESTALT, which reformulates gene expression-to-image synthesis as predicting a pathology foundation model's image embedding. A lightweight gene-token transformer predicts this embedding from multi-cell gene expression, and a frozen or LoRA-adapted diffusion decoder (PixCell) renders it as an image. Because this visual knowledge is reused rather than relearned, GESTALT trains in a fraction of the time. In both multi-cell and single-cell settings, our method outperforms the SoTA on perceptual metrics across all three Xenium datasets. Beyond improved image quality, GESTALT natively synthesizes at 1024 x 1024, and is evaluated in three generalization settings: zero-shot transfer across gene panels and datasets, held-out patients and disease states, and transfer across studies and tissue sources. Coupled with a statistical model of spatial expression, GESTALT also provides, to our knowledge, the first paired synthesis of cell-resolved transcriptomic fields and tissue images with explicit control over cell type, density, and composition. Code is available at https://github.com/trongnhandev1011/Gestalt.
• Abstract（参考訳）: 空間転写学は、各細胞が組織内に存在する場所を保存しながら遺伝子発現を測定する。 研究者たちは、分子状態の形態学的結果を可視化し、実際の組織構造に対する空間的アッセイの分子的呼び出しを解釈することができます。 Xenium gene expression-to-imageベンチマークの現在の最先端であるGeneFlowは、スクラッチからモデルをトレーニングし、適用される新しいターゲットデータセット毎に高いコストを発生させる。 そこで我々は,GESTALTを提案する。GESTALTは,遺伝子発現と画像の合成を,病理基盤モデルの画像埋め込み予測として再構成する。 軽量な遺伝子トーケン変換器は、この埋め込みを多細胞遺伝子発現から予測し、凍結またはLoRA適応拡散デコーダ(PixCell)が画像として描画する。 この視覚的知識は疎外されるのではなく再利用されるため、GESTALTはわずかな時間で訓練を行う。 マルチセルとシングルセルの両方の設定において、我々の手法は3つのXeniumデータセットの知覚的メトリクスにおいてSoTAよりも優れています。 画像品質の改善に加えて、GESTALTは1024×1024でネイティブに合成され、遺伝子パネルとデータセット間のゼロショット転送、患者と疾患状態の保持、研究と組織ソース間の転送の3つの一般化設定で評価されている。 GESTALTは、空間表現の統計モデルと組み合わせて、細胞型、密度、組成を明示的に制御した細胞分解転写領域と組織像の初めてのペア合成を提供する。 コードはhttps://github.com/trongnhandev1011/Gestalt.comで公開されている。

関連論文リスト

• Biology-Guided Context-Aware Residual Propagation for Spatial Gene Expression Prediction from Histology [2.2679160149512376]
  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。
  論文  参考訳（メタデータ） (2026-10-26T10:30:30Z)
• 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)
• VOICE: A Vision-Omics Foundation Model Integrating Direct and Retrieval-Based Prediction of In-situ Single-Cell Gene Expression [12.854881472840363]
  ペアXeniumデータを用いて,H&E画像から単一セル表現を予測する多モーダル基礎モデルを提案する。 VICEはXeniumの保留患者、スライド、部分重なり合う遺伝子パネルに一般化し、7つの指標で以前の単細胞表現予測方法より一貫して優れている。
  論文  参考訳（メタデータ） (2026-08-08T23:36:00Z)
• TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis [56.9460577864211]
  TRIDENTは、摂動と対応する遺伝子発現プロファイルの両方を条件にすることで、現実的な細胞形態を合成するカスケード生成フレームワークである。 TRIDENTは最先端のアプローチよりも優れており、目に見えない化合物への強い一般化で最大7倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-11-23T04:43:27Z)
• C3-Diff: Super-resolving Spatial Transcriptomics via Cross-modal Cross-content Contrastive Diffusion Modelling [5.986183062217602]
  本研究は, 組織像をガイダンスとしてST強調のために, C3-Diffと呼ばれるクロスモーダルクロスコントラスト拡散フレームワークを提案する。 STマップにおける低シークエンシング感度の問題を克服するため,特徴単位超球面上でノイズに基づく情報拡張を行う。 本稿では,STデータ不足を軽減するための動的クロスモーダル計算に基づくトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-04T13:12:25Z)
• GeneFlow: Translation of Single-cell Gene Expression to Histopathological Images via Rectified Flow [35.71809278327705]
  そこで我々は,2つのセルイメージに転写学をマッピングする新しいフレームワークGeneFlowを構築した。 異なる染色法で高分解能画像を生成し、様々な細胞・組織構造をハイライトする。
  論文  参考訳（メタデータ） (2025-10-31T05:25:15Z)
• 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)
• 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)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)

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。