論文の概要: More Genes, Faster Inference: Efficient Large-Panel Spatial Transcriptomics Prediction from Histology
- arxiv url: http://arxiv.org/abs/2611.17899v1
- Date: Fri, 13 Nov 2026 08:35:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.339319
- Title: More Genes, Faster Inference: Efficient Large-Panel Spatial Transcriptomics Prediction from Histology
- Title(参考訳): より多くの遺伝子、より高速な推論: 組織学からの効率的な大規模ネットワーク空間トランスクリプトークス予測
- Abstract要約: 大規模な空間的遺伝子発現予測のためのフレームワークであるGeneFlowを提案する。
GeneFlowは、構造化マルチモーダル融合によるフローマッチング生成モデリングを統一する。
我々は、GeneFlowが複数のSTベンチマークで最先端のパフォーマンスを達成し、1000世代予測で最大56.8%向上したことを示す。
- 参考スコア(独自算出の注目度): 5.097677689876128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial transcriptomics (ST) prediction from histology aims to infer spatially resolved gene expression profiles directly from tissue images. This is a challenging problem that is currently often addressed with complicated model architectures, additional inputs, and complicated training procedures, while remaining limited to fixed, small gene panels. This raises a natural question: Is there an efficient method for large-panel ST prediction? Here, we present GeneFlow, a simpler yet effective framework for large-scale spatial gene expression prediction that unifies flow-matching generative modeling with structured multimodal fusion. Specifically, GeneFlow first encodes both histological morphology and cross-gene interactions in spatial spots through histology and gene tokenizers. The model directly predicts spatial gene expression, rather than an intermediate velocity field, while being trained with a velocity-based flow-matching objective. We show that, even without relying on heavy generative pipelines, GeneFlow achieves state-of-the-art performance across multiple ST benchmarks, with up to 56.8% gains in 1,000-gene prediction. Extensive experiments further show that GeneFlow produces biologically meaningful spot profiles while reducing computational cost by orders of magnitude, thereby improving efficiency and scalability, particularly in clinical settings. We believe GeneFlow provides an opportunity for leveraging widely available histology images for downstream biological discovery. Code is available at: https://github.com/ZZhangsm/GeneFlow
- Abstract(参考訳): 組織学からの空間転写学(ST)予測は、組織像から直接、空間的に解決された遺伝子発現プロファイルを推測することを目的としている。
これは現在、複雑なモデルアーキテクチャ、追加入力、複雑なトレーニング手順で対処されているが、固定された小さな遺伝子パネルに限られている。
これは自然の疑問を提起する: 大きなパネルST予測に効率的な方法はあるか?
本稿では,大規模空間的遺伝子発現予測のための簡易かつ効果的なフレームワークであるGeneFlowについて述べる。
具体的には、GeneFlowはまず、組織学と遺伝子トークン化剤を通して、空間的スポットにおける組織学的形態と遺伝子間相互作用の両方をコードする。
このモデルは、速度に基づくフローマッチングの目的を訓練しながら、中間速度場ではなく空間的遺伝子発現を直接予測する。
我々は、重い生成パイプラインを頼らずに、GeneFlowが複数のSTベンチマークで最先端のパフォーマンスを達成し、1000世代予測で最大56.8%向上したことを示す。
さらに大規模な実験により、GeneFlowは生物学的に意味のあるスポットプロファイルを生成し、計算コストを桁違いに削減し、特に臨床環境では効率とスケーラビリティを向上させることが示されている。
GeneFlowは、広く使われている組織像を下流の生物学的発見に活用する機会を提供すると考えている。
コードは、https://github.com/ZZhangsm/GeneFlowで入手できる。
関連論文リスト
- GESTALT: Fast, Generalizable Histopathology Image Synthesis from Gene Expression with Pretrained Pathology Foundation Models [74.68133374118322]
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。
論文 参考訳(メタデータ) (2026-10-31T17:31:24Z) - RAGenome: Scaling Retrieval-Based Genomic Language Models to Long Contexts [10.885072765820992]
RAGenomeは、より長い文脈での事前訓練をスケールし、種間の進化的関係と種内の長距離相互作用の両方をキャプチャする。
RAGenomeは、トレーニングコストのごく一部で、競争力のあるgLMパフォーマンスを提供する。
論文 参考訳(メタデータ) (2026-10-08T11:44:58Z) - SpaFactor: Lightweight Spatial Context-Aware Gene Program Modeling for Histology-to-Transcriptomics Inference [7.2809118914983815]
SpaFactorは低ランクなモルフォロジー-プログラム-遺伝子分解フレームワークである。
中心地点の視覚的表現を多スケールの地域的・地域的な文脈で効果的に融合させる。
5つの公的なコホートで最高のアグリゲーションパフォーマンスを達成する。
論文 参考訳(メタデータ) (2026-09-23T09:59:22Z) - EssentialGIN: a new approach for gene essentiality prediction based on graph isomorphism neural networks [1.2599533416395763]
必須遺伝子(タンパク質)の予測は基本的で難しい問題である。
深層学習と生物学的情報の統合は、近年の研究で必須遺伝子を特定するために用いられている。
本研究では,タンパク質をPPIネットワークのノードとして埋め込むため,グラフ同型ネットワークに着目した。
論文 参考訳(メタデータ) (2026-06-05T08:43:27Z) - GenAR: Next-Scale Autoregressive Generation for Spatial Gene Expression Prediction [15.143858141542532]
GenARは、粗いものから細かいものまで予測を洗練するマルチスケールの自動回帰フレームワークである。
我々は、粗い予測から細かい予測を洗練するマルチスケール自動回帰フレームワークGenARを紹介する。
GenARは、最先端のパフォーマンスを原則として達成し、精密医療とコスト効率のよい分子プロファイリングに潜在的に影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2025-10-05T18:28:21Z) - Spatially Gene Expression Prediction using Dual-Scale Contrastive Learning [12.35331063443348]
NH2STは、空間的コンテキストと、遺伝子発現予測のための病理と遺伝子モダリティの両方を統合している。
我々のモデルは既存の手法を一貫して上回り、PCCメトリクスの20%以上を達成しています。
論文 参考訳(メタデータ) (2025-06-30T13:18:39Z) - 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) - GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。
DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。
また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文 参考訳(メタデータ) (2025-02-11T05:39:49Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳(メタデータ) (2023-10-12T23:46:08Z)
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。