どうも、Beyond the Pixelです。近年、組織内の細胞の空間的な配置を保ったまま遺伝子発現を測定する「空間トランスクリプトミクス（ST）」は、がん研究などで革新的な知見をもたらしています。しかし、ST技術は高価な専門設備や専門知識、多大な時間を要するため、大規模な研究での普及には実用的な課題が伴います。このため、STデータセットは比較的小規模にとどまり、広範な研究を妨げています。これに対し、広く利用可能で安価なヘマトキシリン・エオジン（H&E）染色画像から直接、空間遺伝子発現を予測する計算手法は、費用対効果の高い代替手段として注目されています。しかし、これまでの計算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するため、遺伝子間の共発現構造を見過ごしていました。第二に、遺伝子発現は本来「離散的なカウント値（分子数）」であるにもかかわらず、多くの手法が「連続的な回帰問題」として扱っていたため、生物学的に不自然な結果を生み出し、その後の解析を複雑化させていました。
GenARの革新的なアプローチ：次世代オートレグレッシブ生成による空間遺伝子発現予測
これらの課題に対処するため、香港科技大学などの研究者らが、新しいマルチスケールオートレグレッシブフレームワーク「GenAR（Gene expression prediction via next-scale AutoRegressive）」を開発しました。GenARは、既存のアプローチの限界を克服し、遺伝子発現予測を大幅に改善します。具体的には、以下の3つの主要な特徴を持っています。まず、GenARは遺伝子を階層的なグループにクラスター化し、粗いスケールから細かいスケールへと順次予測を行います。これにより、遺伝子間の複雑な依存関係を捉え、予測の精度を高めます。次に、遺伝子発現を「コードブックフリーな離散トークン生成」として直接モデル化し、細胞やスポットごとの「生カウント値（raw counts）」を予測します。これにより、生物学的な意味合いが保持され、下流の生物学的解析に直接利用できる出力が得られます。最後に、組織学的埋め込みと空間的埋め込みを融合した情報に基づいてデコード（予測）を行うことで、H&E画像と遺伝子発現の関連性をより正確に捉えます。この離散的な定式化は、情報理論的な観点からも、対数変換によるバイアスを回避し、原理に基づいた条件付き分解と整合しています。
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) 遺伝子が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る様子。(b) H&E画像と空間座標から組織学的埋め込みが生成されるプロセス。(c) マルチスケールオートレグレッシブ生成が、粗いスケールから細かいスケールへと段階的に予測を洗練していく様子。
Figure 2. Figure 2: Progressive multi-scale generation process, illustrating sequence construction and upsam- pling initialization during training and inference phases.解説: GenARのプログレッシブなマルチスケール生成プロセスを示しており、訓練時（左パネル）と推論時（右パネル）におけるシーケンス構築とアップサンプリングによる初期化の方法が説明されています。訓練時には、モデルは先行するスケールのグラウンドトゥルース情報を用いて各スケールのトークンを予測することを学習します。推論時には、モデルは自己回帰的に予測を行い、先行するスケールで生成されたトークンとアップサンプリングされたトークンを組み合わせた入力シーケンスを構築します。
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.解説: HER2STおよびPRADデータセットにおける実験結果の比較表です。GenARは、PCC-10、PCC-50、PCC-200の各指標で、既存のベースライン手法よりも高い性能を示し、MSEとMAEでは低い値を達成しています。
および
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.解説: KidneyおよびHealthy Mouse Brainデータセットにおける実験結果の比較表です。GenARは、これらのデータセットにおいても、既存のベースライン手法と比較して優れた予測性能を発揮しています。
Table 5. Table 5: Experimental results on ccRCC dataset. The best results are highlighted in bold. ↑indicates higher is better, ↓indicates lower is better.解説: ccRCCデータセットにおける実験結果の比較表です。GenARは、PCC-10、PCC-50、PCC-200の各指標で他のベースライン手法を上回る性能を示し、MAEも最良の値を達成しています。
Table 3. Table 3: Ablation study results on the PRAD dataset. The best results are highlighted in bold. ↑ indicates higher is better, ↓indicates lower is better.解説: PRADデータセットにおけるアブレーション研究の結果を示しています。マルチスケール生成フレームワークの有無、遺伝子アイデンティティ埋め込みの有無、損失関数の変更がモデル性能に与える影響が評価されており、GenARの各構成要素の重要性が示されています。
Table 6. Table 6: Ablation study on different scale designs for gene expression count prediction on the PRAD dataset. The best results are highlighted in bold. ↑indicates higher is better, ↓indicates lower is better.解説: PRADデータセットにおける異なるスケール設計に関するアブレーション研究の結果です。スケールの数を増やすと、遺伝子発現カウント予測の性能が向上することが示されており、提案された6スケール設計が最適なバランスを提供しています。
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.解説: PRADデータセットにおける生遺伝子発現カウント予測の性能比較表です。GenARは、異なる基盤モデルを使用した場合と比較して、大幅に優れた性能を達成していることが示されています。
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遺伝子発現の空間可視化結果を示しています。左から右へ、組織病理学的画像、グラウンドトゥルース（真値）、GenAR、BLEEP、M2OST、TRIPLEX、STEMによる予測が並んでいます。色は低発現（紫/青）から高発現（黄/緑）を表しています。GenARはグラウンドトゥルースに最も近いパターンを予測しています。
Leave a Reply