組織病理画像からの空間的遺伝子発現生成へ、事前学習済みの単一細胞ファウンデーションモデルを適用する

要約: 空間トランスクリプトミクス（ST）はスポットレベルの原位発現プロファイリングを可能にしますが、その高コストと限られたスループットが、HE染色組織像から直接発現を予測する動機づけとなっています。
最近の進展は、組織像から遺伝子発現の条件付き分布を推定するために、スコアベースまたはフローベースの生成モデルを活用することを探索しており、決定論的回帰アプローチに対する柔軟な代替手段を提供します。
ただし、既存のほとんどの生成アプローチは遺伝子間依存性の明示的なモデリングを省略しており、生物学的整合性を損なっています。
単一細胞ファウンデーションモデル（sc-FMs）は、多様な細胞集団にわたって事前学習されており、組織像だけでは明らかにできないこれらの重要な遺伝子関係を捉えます。
しかし、発現のみを用いるsc-FMsを組織像条件付き発現モデリングに適用することは、視覚的経路の欠如、事前学習と条件付きSTの目的の不一致、および混合細胞STの監督データの不足といった理由で容易ではありません。
これらの課題に対処するため、HINGE（HIstology-coNditioned GEneration）を提案します。これは、事前学習済みのsc-FMを条件付き発現生成器へ後付けし、その学習済み遺伝子関係をほぼ保持します。
これを実現するために、SoftAdaLNを導入します。これは、バックボーンへ層ごとの視覚的文脈を注入する軽量で恒等初期化されたモジュレーションで、発現空間マスク付き拡散目的と、目的の整合性とトレーニングの安定性を保証するウォームスタート・カリキュラムと組み合わせたものです。
3つのSTデータセットで評価され、私たちの手法は平均ピアソン相関係数で最先端のベースラインを上回り、より正確な空間マーカー発現パターンとペア間共発現の一貫性を高め、ヒストロジー条件付き空間発現生成のために事前学習済みのsc-FMsを適応させる実用的な道を確立します。