CausalGeD: Blending Causality and Diffusion for Spatial Gene Expression Generation

要約

単一細胞RNAシーケンス（SCRNA-seq）と空間トランスクリプトミクス（ST）データの統合は、空間的コンテキストでの遺伝子発現を理解するために重要です。
このような統合のための既存の方法のパフォーマンスは限られており、構造的類似性はしばしば60 \％未満であるため、この制限は遺伝子間の因果関係を考慮しなかったことに起因します。
これらの関係を活用するために拡散プロセスと自己回帰プロセスを組み合わせた因果関係を提示します。
因果関係の変圧器を画像生成から遺伝子発現データに一般化することにより、モデルは事前定義された関係のない調節メカニズムをキャプチャします。
10個の組織データセットで、因果関係のあるアウトパフォームが、ピアソンの相関や構造的類似性を含む主要なメトリックで5-32 \％で最先端のベースラインをパフォーマンスし、技術的および生物学的洞察の両方を進めました。

要約(オリジナル)

The integration of single-cell RNA sequencing (scRNA-seq) and spatial transcriptomics (ST) data is crucial for understanding gene expression in spatial context. Existing methods for such integration have limited performance, with structural similarity often below 60\%, We attribute this limitation to the failure to consider causal relationships between genes. We present CausalGeD, which combines diffusion and autoregressive processes to leverage these relationships. By generalizing the Causal Attention Transformer from image generation to gene expression data, our model captures regulatory mechanisms without predefined relationships. Across 10 tissue datasets, CausalGeD outperformed state-of-the-art baselines by 5- 32\% in key metrics, including Pearson’s correlation and structural similarity, advancing both technical and biological insights.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google