組織画像から遺伝子発現を予測する次世代AI「GenAR」：高精度と生物学的解釈性を両立

July 28, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: GenAR: Next-scale autoregressive generation for spatial gene expression prediction
Medical Image Analysis｜被引用数: 0（2026年7月28日時点）

空間トランスクリプトミクス（ST）は、組織内の細胞がどこにあるかを保ちながら、どの遺伝子がどれだけ活動しているかを明らかにする画期的な技術です。しかし、高価で専門的な知識が求められるため、広く利用するには課題があります。そこで、広く普及しているヘマトキシリン・エオシン（H&E）染色画像から遺伝子発現を予測する計算手法が注目されています。本記事では、この課題を解決するために開発された新しいマルチスケール自己回帰フレームワーク「GenAR」について詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	安価で豊富なH&E画像から高価なSTデータを予測し、費用対効果を高めます。
Ethical倫理面	公開されている匿名化されたデータセットのみを使用し、研究目的に限定されています。
Interesting面白さ	遺伝子間依存性考慮と離散カウント予測の新規性は、生物学的な理解を深めます。
Novel新規性	マルチスケール自己回帰とコードブックフリーの離散トークン生成による遺伝子発現予測は新たなパラダイムです。
Relevant切実さ	精密医療や費用対効果の高い分子プロファイリングに貢献し、広範な応用が期待されます。
Measurable測定可能性	PCC、MSE、MAEといった標準的な評価指標で、他の手法を上回る性能を示しました。
Modifiable派生・改善	将来的に、より高度な生物学的事前知識（遺伝子調節ネットワークなど）の統合で改善の余地があります。
Structured文章構造	遺伝子を階層的にクラスター化し、粗い粒度から細かい粒度へと段階的に予測することで、遺伝子間依存性を捉えます。
PICO / PECO対象・介入・比較・結果	対象集団: 組織サンプル、介入: GenARによる遺伝子発現予測、比較: 既存の予測手法、結果: 高精度で生物学的に解釈可能な遺伝子発現予測。

はじめに：空間トランスクリプトミクスの可能性と課題

どうも、Beyond the Pixelです。近年、空間トランスクリプトミクス（ST）と呼ばれる技術が、組織内の遺伝子発現パターンをその位置情報とともに明らかにする画期的なツールとして注目されています。この技術は、がん研究で腫瘍の特定の領域を識別するなど、多くの生物医学分野で変革をもたらす可能性を秘めています。しかし、ST技術には高額なコスト、特殊な設備、そして専門的な知識が必要という課題があり、大規模な研究や広範な普及を妨げています。一方、ヘマトキシリン・エオシン（H&E）染色画像は、安価で容易に入手できるため、このH&E画像から直接、空間遺伝子発現を予測する計算手法が費用対効果の高い代替手段として期待されています。これまでの研究では、ST-NetやHist2STといった手法が形態学的特徴と分子プロファイルの関連付けの基礎を築き、BLEEP、TRIPLEX、M2OST、STEMなどの後続の研究がさらなる進歩を遂げてきました。しかし、これらの既存手法にはいくつかの限界がありました。第一に、多くの手法が各遺伝子を独立して予測しており、遺伝子間の共発現構造といった重要な依存関係を見過ごしていました。遺伝子は単独で機能することはほとんどなく、むしろ調節ネットワークやシグナル伝達経路を通じて協調して作用します。このため、遺伝子を独立したターゲットとして扱うと、生物学的に意味のある相互作用を見逃す可能性があります。第二に、既存手法の多くは遺伝子発現を連続的な回帰課題として扱っていました。遺伝子発現は、スポットや細胞あたりのmRNA分子数を概算する非負の整数カウントとして記録され、通常0から数千の範囲で変動します。これらの生のカウントは、差次的発現解析や経路濃縮解析などの生物学的アプリケーションにとって重要な意味を持ちます。しかし、現在の多くのアプローチでは、遺伝子発現データにログ変換を適用し、連続的な浮動小数点数（通常0～15）に変換して予測を行っています。この変換は、生物学的解析で使用される離散的なカウントスケールから逸脱しており、分子カウントの観点から直接解釈できない予測結果を生じる可能性があります。このような課題に対処するため、香港科技大学の研究者らは、新しいマルチスケール自己回帰フレームワーク「GenAR（Gene expression prediction via next-scale AutoRegressive）」を開発しました。GenARは、既存手法の限界を克服し、遺伝子発現の予測を粗い粒度から細かい粒度へと段階的に洗練させることを目指しています。

GenARの画期的なアプローチ：遺伝子間依存性と生物学的解釈性の確保

GenARは、空間遺伝子発現予測における既存の課題に対し、3つの主要なアプローチで解決策を提案しています。第一に、GenARは遺伝子を独立して予測するのではなく、遺伝子を階層的なグループにクラスタリングし、スケールを横断して連続的に予測を実行します。各スケールでの予測は、以前に生成されたすべての粗い粒度の予測に条件付けされるため、遺伝子間の構造を考慮し、段階的に推定値を洗練させることができます。第二に、GenARフレームワークは生の遺伝子発現カウントを直接予測します。これにより、生物学的な意味がそのまま保持され、ダウンストリームの生物学的解析で直接利用できるようになります。これは、従来のログ変換された連続値の予測とは異なり、より生物学的に妥当な結果を提供します。第三に、GenARは予測を連続的な回帰ではなく、コードブックフリーの離散トークン生成として扱います。これは情報理論的な観点からエントロピーを保存するアプローチであり、ログ変換によって引き起こされるバイアスを回避し、原理的な条件付き分解と一致します。この新しいアプローチにより、GenARは遺伝子発現データが本来持つ離散的な性質を最大限に活用し、より正確で解釈可能な予測を可能にします。このフレームワークは、予測タスクを粗い粒度から細かい粒度へと分解するプログレッシブなマルチスケール自己回帰フレームワークであり、生物学的解釈性を維持しながら生の遺伝子発現カウントを直接予測するコードブックフリーの離散トークン生成アプローチを開発しています。これにより、既存手法を上回る最先端の性能を達成し、精密医療や費用対効果の高い分子プロファイリングへの応用が期待されています。

GenARの仕組み：マルチスケール自己回帰フレームワーク

GenARの全体像は、H&E画像パッチと空間座標から遺伝子発現カウントを予測するプロセスを示しています。

**Figure 1.** Figure 1: Overall architecture of GenAR. (a) Genes are clustered into hierarchical groups from coarse to fine granularity. (b) Image and spatial features are fused to generate histological embed- dings. (c) Multi-scale autoregressive generation progressively refines predictions across scales.解説: GenARの全体的なアーキテクチャを示しています。(a) 遺伝子は粗い粒度から細かい粒度へと階層的なグループにクラスター化されます。(b) 組織画像と空間的特徴が融合され、組織学的埋め込みが生成されます。(c) マルチスケール自己回帰生成が、粗い粒度から細かい粒度へと段階的に予測を洗練させます。

まず、遺伝子は空間発現パターンに基づいて階層的なクラスターに再配列されます。これは、主要な遺伝子グループから、より小さなネストされたサブグループへと進行します。与えられたH&E画像パッチと対応する空間座標から、事前に訓練された基盤モデル（UNI）を使用して組織病理学的特徴を抽出します。次に、空間座標に正弦波位置エンコーディングを適用して空間コンテキストを組み込みます。これら両方のモダリティは融合モジュールを介して処理され、最終的な組織学的埋め込みが生成されます。GenARは、独立した回帰ベースラインでは見過ごされがちな遺伝子間構造を捉えるために、プログレッシブなマルチスケール自己回帰フレームワークを採用しています。このフレームワークでは、遺伝子グループを粗い粒度から細かい粒度へとK個の階層的なスケールで定義します。最初のスケールは単一のグローバルなグループから始まり、徐々に小さなグループへと洗練され、最終的には個々の遺伝子になります。各スケールkにおいて、モデルは以前に生成されたすべての粗い出力に条件付けされて、グループ化された発現を予測します。各スケールでは、遺伝子発現カウントは離散トークンとして表現され、学習された埋め込み層を介して密なベクトルにマッピングされます。結果として得られるシーケンスは、組織学的埋め込みに条件付けされた因果的Transformerデコーダーによって処理されます。さらに、遺伝子固有の誘導バイアスをモデルに注入するために、遺伝子ID埋め込みがスケールとシフトパラメーターを生成する特徴量ワイズ線形変調（FiLM）を適用します。最後に、デコーダーは現在のスケールに対するトークンロジットを出力し、それが整数発現カウントに変換されます。GenARのアプローチはコードブックフリーであり、ベクトル量子化や離散コードブック学習段階を必要とせず、生の遺伝子発現カウントを直接予測します。これにより、コードブック再構築に関連する情報損失が排除され、エンドツーエンドの訓練が可能になります。

トレーニングと推論のプロセス
GenARのプログレッシブなマルチスケール生成プロセスは、トレーニングと推論のフェーズで異なる動作をします。

**Figure 2.** Figure 2: Progressive multi-scale generation process, illustrating sequence construction and upsam- pling initialization during training and inference phases.解説: GenARのプログレッシブマルチスケール生成プロセスを示しています。トレーニングフェーズ（左）では、過去の正解トークンと補間トークンをコンテキストとして利用し、因果的Transformerが現在のスケールのトークンを予測し、損失を計算します。推論フェーズ（右）では、モデルは以前に生成された予測トークンをコンテキストとし、アップサンプリングされた補間トークンを初期値として、自己回帰的に次のスケールのトークンを生成します。

トレーニング中（左パネル）、モデルは以前のスケールからの正解情報を使用して、各スケールでトークンを予測することを学習します。プロセスはスタートトークンから始まり、完了したスケールからの正解トークン、そして現在のスケール予測の初期化を提供する補間トークンが続きます。これにより、モデルは階層的な依存関係を学習します。

一方、推論中（右パネル）、モデルはスケールを横断して自己回帰的に予測を生成します。各スケールkにおいて、入力シーケンスは、スタートトークン、以前に生成されたスケールjからのトークン、および現在のスケール生成のための文脈的初期化を提供する、以前のスケールの埋め込みからのアップサンプリングによって取得された補間トークンとして構築されます。これらのトークンは、その後のスケールに条件付けするために履歴に追加され、粗い粒度から細かい粒度への漸進的な洗練を可能にします。この設計により、GenARはデータが本来持つ離散的な性質を最大限に活用し、生物学的な意味を保ちつつ、高精度な予測を実現します。

マルチスケール損失関数
階層的な分解の下で、負の対数尤度はスケール間で分解されます。中間スケールでは、適応的プーリングから派生した温度平滑化されたターゲットをソフト分布に変換し、カルバック・ライブラー（KL）ダイバージェンスを最適化します。最終スケールでは、発現依存分散（σ² = αµ + β）を持つカウントレベルの尤度を用いて、異分散性を捕捉しつつカウントのセマンティクスを維持します。これは、最終スケールのロジットを平均にマッピングするCountHead(・)を使用します。全体的な目的は、各スケールでの損失を平均します。

GenARの優れた性能：複数のデータセットでの検証

研究者らは、GenARの予測性能を評価するために、HEST-1kデータベースから選択された4つの異なる空間トランスクリプトミクスデータセットで広範な実験を実施しました。これらのデータセットは、乳がん組織（HER2ST）、前立腺がん組織（PRAD）、腎臓組織（Kidney）、健康なマウス脳組織（Healthy Mouse Brain）など、多様な組織タイプと疾患状態を網羅しています。評価指標としては、上位10、50、200遺伝子の平均Pearson相関係数（PCC-10、PCC-50、PCC-200）に加え、平均二乗誤差（MSE）と平均絶対誤差（MAE）が用いられました。これらの指標は、モデルの全体的な予測精度を多角的に評価するために広く使用されています。

主要な実験結果
実験結果は、GenARがすべてのデータセットにおいて最先端の性能を達成したことを示しています。

**Table 1.** Table 1: Experimental results on HER2ST and PRAD datasets. The best results are highlighted in bold. ↑indicates higher is better, ↓indicates lower is better.

HER2STデータセットでは、GenARはPCC-10、PCC-50、PCC-200でそれぞれ0.842、0.784、0.663を記録し、最良のベースライン手法であるSTEMをPCC-10で1.3%、PCC-50で1.8%、PCC-200で6.1%上回りました。MSEとMAEもそれぞれ9.8%と5.3%削減されています。PRADデータセットでは、GenARはさらに顕著な改善を示し、PCC-10、PCC-50、PCC-200でそれぞれ0.702、0.650、0.512を達成し、STEMをそれぞれ10.4%、17.1%、27.0%も凌駕しました。MSEとMAEの削減率はそれぞれ18.3%と10.0%でした。

**Table 2.** Table 2: Experimental results on Kidney and Mouse Brain datasets. The best results are highlighted in bold. ↑indicates higher is better, ↓indicates lower is better.

KidneyデータセットとMouse Brainデータセットでも、GenARは一貫して優れた結果を示し、すべての評価指標でベースライン手法を上回る性能を発揮しました。特に、がん組織のデータセットでより大きな改善が見られ、提案された粗い粒度から細かい粒度への離散自己回帰の定式化が、組織タイプを問わず堅牢であることを示しています。

可視化分析
HER2STデータセットのSPA148サンプルにおけるSSR4遺伝子（がんと関連するER膜受容体をコードする遺伝子）の発現予測の可視化結果は、GenARの優れた性能を視覚的に裏付けています。

**Figure 3.** Figure 3: Spatial visualization of SSR4 gene expression prediction on HER2ST SPA148 sample. From left to right: histopathological image, ground truth, and predictions from GenAR, BLEEP, M2OST, TRIPLEX, and STEM. Color scale: low (purple/blue) to high (yellow/green) expression.解説: HER2ST SPA148サンプルにおけるSSR4遺伝子発現予測の空間的可視化を示しています。左から順に、組織病理画像、正解データ、そしてGenAR、BLEEP、M2OST、TRIPLEX、STEMによる予測結果が並んでいます。色は発現レベルを示し、紫/青が低発現、黄/緑が高発現を表しています。GenARは、正解データの空間パターンと発現レベルの遷移を最も忠実に再現しています。

正解データは、高発現領域（黄緑色）と低発現領域（紫青色）が明確に区別される、はっきりとした空間的異質性を示しています。BLEEPやM2OSTといった既存手法は、滑らかな発現マップを生成するものの、シャープな空間的遷移を捉える能力に限界がありました。TRIPLEXやSTEMはパターン認識を改善しましたが、高発現領域で過度に平滑化される傾向がありました。これに対し、GenARは、高発現領域の局所化と発現レベルの遷移の両方を正確に捉え、正解に最も近い発現予測を生成しました。この視覚的な比較は、GenARが遺伝子発現パターンをより忠実に再現できることを明確に示しています。他の遺伝子（C12orf57、EIF4G1、FNBP1L、IGFBP2、ISG15、NUCKS1、ORMDL3、PPP1R1B、SF3B5）についても同様の可視化比較が行われ、GenARの予測が他のベースライン手法と比較して正解により近い空間パターンを示していることが報告されています。

アブレーションスタディ
GenARの各コンポーネントが予測性能に与える影響を評価するために、PRADデータセットでアブレーション実験が行われました。この研究では、プログレッシブマルチスケール生成フレームワーク、遺伝子ID埋め込み、および損失関数の置き換えについて分析しました。その結果、プログレッシブマルチスケール生成フレームワークの削除がモデル性能に最も大きな影響を与え、PCC-10が0.702から0.651に減少し、MSEが1.171から1.406に増加しました。これは、マルチスケール自己回帰生成プロセスが、異なる粒度での遺伝子発現関係を捉える上で極めて重要であることを示しています。遺伝子ID埋め込みを削除すると、PCC-200メトリックが0.532から0.481に減少しました。これは、正確な予測のための遺伝子特異的表現の重要性を示しています。また、提案された適応型ガウシアンKL損失とソフトラベルKLダイバージェンス損失の代わりに交差エントロピー損失を使用すると、PCC-10が0.702から0.662に減少しました。これは、特に稀なトークンや勾配スパース性の高い領域で性能が低下することが観察され、経路やオントロジーに基づいたグループ化の重要性が示唆されました。

さらに、異なる基盤モデルがGenARの性能に与える影響も評価されました。

**Table 4.** Table 4: Performance comparison on raw gene expression count prediction on the PRAD dataset. The best results are highlighted in bold. ↑indicates higher is better, ↓indicates lower is better.

ResNet-18、CONCH、UNIの3つの基盤モデルとGenARを比較した結果、GenARはUNIをヒストロジカル特徴抽出に選択することで、すべての基盤モデルを大幅に上回る性能を発揮しました。GenARは、最高のベースラインと比較してPCC-200で33.7%の改善を達成し、本フレームワーク設計の有効性を証明しました。これらのアブレーション研究は、GenARの各主要コンポーネントがモデルの優れた性能に不可欠であることを明確に示しています。

結論と今後の展望

本研究では、空間遺伝子発現予測を離散トークン生成として再構築するマルチスケール自己回帰フレームワーク「GenAR」を提案しました。この離散的な定式化は、生物学的な解釈性を維持し、連続的な代替手法に内在するバイアスを回避します。また、粗い粒度から細かい粒度への分解は、遺伝子間の階層的な依存関係を効果的にエンコードします。実験的には、GenARは4つの異なる空間トランスクリプトミクスデータセットにおいて、既存の最先端手法を上回る優れた性能を示しました。特に、がん組織のデータセットで一貫して高い改善率を達成しており、その堅牢性と汎用性が示されています。

GenARの設計はモダリティ（データ形式）に依存しないため、プロテオミクスやメタボロミクスといった他の時空間設定にも応用できる可能性があります。また、このコンパクトでコードブックフリーなアプローチは、より広範なマルチモーダル学習研究にも示唆を与えるでしょう。今後の研究では、遺伝子調節ネットワークや経路レベルの相互作用など、より洗練された生物学的な事前知識を統合し、予測精度をさらに向上させることを目指します。また、極めて稀な発現領域における性能が比較的低いという課題も残されており、これを改善するために、経路やオントロジーに基づいたグループ化の可能性が探求されるでしょう。GenARは、精密医療や費用対効果の高い分子プロファイリングの実現に向けた重要な一歩であり、その潜在的な応用範囲は広大です。

補足図表

Figure 4

Figure 5

Figure 6

Figure 7

Figure 8

Figure 9

Figure 10

Figure 11

Figure 12

Figure 13

Table 5

Table 6

用語集

空間トランスクリプトミクス（ST）: 組織内の細胞の空間的位置を保ちながら、どの遺伝子がどれだけ活動しているかを測定する技術です。
ヘマトキシリン・エオシン（H&E）染色: 組織病理学で最も一般的に使用される染色法で、細胞核と細胞質をそれぞれ青紫色とピンク色に染め分け、組織構造を可視化します。
遺伝子発現: 遺伝子の情報が細胞内でRNAやタンパク質に変換され、その機能を発揮するプロセスです。ここでは、mRNA分子のカウント数で表されます。
自己回帰モデル: 過去の出力や状態をコンテキストとして利用し、次の出力を予測する統計モデルや機械学習モデルの一種です。
離散トークン生成: 連続値ではなく、数値やカテゴリなどの個別の「トークン」を直接生成するアプローチです。GenARでは、生の遺伝子発現カウントを離散トークンとして扱います。
組織学的埋め込み: H&E画像から抽出された特徴と、空間座標情報を融合して生成される、組織の形態や位置に関する数値表現です。
因果的Transformer: Transformerモデルの一種で、予測時に未来の情報を参照しないように制約（因果マスク）が課されており、シーケンス生成に適しています。
Pearson相関係数（PCC）: 2つの変数の線形な関係の強さと方向を示す統計量で、-1から1の間の値をとります。予測精度を測る指標の一つです。
平均二乗誤差（MSE）: 予測値と真の値の差の二乗の平均値です。誤差が大きいほど値も大きくなるため、予測誤差の大きさを評価する指標です。
平均絶対誤差（MAE）: 予測値と真の値の差の絶対値の平均値です。誤差の絶対的な大きさを評価する指標です。
マルチスケールフレームワーク: 複数の異なる粒度（粗いスケールから細かいスケール）で情報を処理し、段階的に洗練された予測を行うモデルの構造です。
コードブックフリー: ベクトル量子化などのコードブック学習段階を必要とせず、データが本来持つ離散的な性質を直接利用するアプローチです。
基盤モデル（Foundation Model）: 大規模なデータセットで事前学習され、多くの下流タスクに適用可能な汎用性の高いAIモデルです。本研究では、組織病理画像の特徴抽出に用いられました。
Adaptive Layer Normalization (AdaLN): 条件付け情報に基づいてモデルの層正規化のパラメータを動的に調整する技術で、入力コンテキストに応じた適応的な処理を可能にします。
Feature-wise Linear Modulation (FiLM): 特徴量レベルで線形変換（スケーリングとシフト）を適用することで、外部からの条件付け情報をモデルの隠れ状態に注入する手法です。