Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics

Created by
  • Haebom

作者

Rushin H. Gindra, Giovanni Palla, Mathias Nguyen, Sophia J. Wagner, Manuel Tran, Fabian J Theis, Dieter Saur, Lorin Crawford, Tingying Peng

概要

本論文は、空間転写物学における組織形態画像と遺伝子発現データの両方を利用するマルチモード学習方法を評価するための大規模ベンチマークHESCAPEを提供する。 6つの遺伝子パネルと54人のドナーを含むキュレートされた全身器官データセットに基づいて、さまざまな事前学習戦略にわたって最先端の画像と遺伝子発現エンコーダを体系的に評価し、遺伝子突然変異分類と遺伝子発現予測の2つのフォローアップタスクの効果を評価します。本研究は、遺伝子発現エンコーダが強力な表現アラインメントの主な決定要因であり、空間転写物学データで事前学習された遺伝子モデルは、空間データなしで学習されたモデルおよび単純な基準アプローチよりも優れた性能を示す。しかしながら、その後の作業評価は、対照的事前学習が遺伝子突然変異分類性能を継続的に向上させる一方で、クロスモード目標なしに学習された基準エンコーダと比較して直接的な遺伝子発現予測性能を低下させる逆説的な結果を示す。バッチ効果は、効果的なクロスモードアラインメントを妨げる主な要因として同定されており、空間転写体学におけるバッチに堅牢なマルチモード学習アプローチの重要性を強調している。最後に、HESCAPEを公開し、標準化されたデータセット、評価プロトコル、およびベンチマークツールを提供します。

Takeaways、Limitations

Takeaways:
空間転写体学データを利用したマルチモード学習方法の性能評価のための大規模ベンチマークHESCAPEを提供する。
遺伝子発現エンコーダがマルチモード表現の整列に重要な役割を果たすことを明らかにした。
空間転写物学データを利用した事前学習は、遺伝子突然変異分類性能を向上させる。
バッチ効果がマルチモード学習に及ぼす影響を調べた。
空間転写体学の研究では、配置に堅牢なマルチモード学習方法が必要であることを示唆しています。
Limitations:
対照的事前学習は、遺伝子突然変異分類性能を向上させるが、直接的な遺伝子発現予測性能は低下する。
バッチ効果を完全に解決できませんでした。バッチ効果に強いマルチモード学習法のさらなる研究が必要である。
👍