CHRep: クロスモーダルヒストロジー表現と事後調整による空間遺伝子発現予測

arXiv:2604.21573v1 Announce Type: new Abstract: スペースカルトランスクリプトミクス（ST）は空間的に分解された遺伝子プロファイリングを可能にしますが、コストが高くスループットが低いため、大規模コホート研究やルーチン臨床使用の制限があります。通常のヘマトキシリンとエオシン（H&E）スライドから空間遺伝子発現を予測することは有望な代替手段ですが、現実的な「スライドの除外」評価では、既存のモデルはスライドレベルの視覚的変化に悩まされ、生物学的に重要な変異を抑圧する回帰に基づく過度な平滑化を引き起こす傾向があります。CHRep は頑健なヒストロジーから発現への予測のための 2 段階フレームワークです。トレーニング段階では、CHRep は相関感の回帰、対称的な画像 - 発現一致、および座標誘導的空間トポロジー正則化を同時に最適化することで構造に意識のある表現を学習します。推論段階では、軽量な校正モジュールを通じてバックボーン微调なしでクロススライドの頑健性が向上します。このモジュールはトレーニングスライドで訓練され、トレーニングギャラリーからの非パラメトリック推定と大小正則化付き修正モジュールを組み合わせます。単一の予測ルートを依存する従来のエナブリメント一致や検索ベースの転送手法に異なり、CHRep はトポロジーを保持する表現学習を事後調整と組み合わせ、スライドレベルの変化下に安定した近傍検索と制御されたバイアス修正を可能にします。3 つのコホート全体にわたって、CHRep は「スライドの除外」評価において遺伝子ごとの相関を一貫して改善し、最大の利益は Alex+10x において観察されました。HAGE に対して、考慮されたすべての遺伝子における Pearsons 相関係数[PCC(ACG)]は、cSCC で 4.0%、HER2+ で 9.8% 増加しました。mclSTExp に対して、PCC(ACG) は Alex+10x でさらに 39.5% 向上し、それぞれ平均二乗誤差（MSE）と平均絶対誤差（MAE）の 9.7% と 9.0% の減少を伴いました。

arXiv:2604.21573v1 Announce Type: new Abstract: Spatial transcriptomics (ST) enables spatially resolved gene profiling but remains expensive and low-throughput, limiting large-cohort studies and routine clinical use. Predicting spatial gene expression from routine hematoxylin and eosin (H&E) slides is a promising alternative, yet under realistic leave-one-slide-out evaluation, existing models often suffer from slide-level appearance shifts and regression-driven over-smoothing that suppress biologically meaningful variation. CHRep is a two-phase framework for robust histology-to-expression prediction. In the training phase, CHRep learns a structure-aware representation by jointly optimizing correlation-aware regression, symmetric image-expression alignment, and coordinate-induced spatial topology regularization. In the inference phase, cross-slide robustness is improved without backbone fine-tuning through a lightweight calibration module trained on the training slides, which combines a non-parametric estimate from a training gallery with a magnitude-regularized correction module. Unlike prior embedding-alignment or retrieval-based transfer methods that rely on a single prediction route, CHRep couples topology-preserving representation learning with post-hoc calibration, enabling stable neighborhood retrieval and controlled bias correction under slide-level shifts. Across the three cohorts, CHRep consistently improves gene-wise correlation under leave-one-slide-out evaluation, with the largest gains observed on Alex+10x. Relative to HAGE, the Pearson correlation coefficient on all considered genes [PCC(ACG)] increases by 4.0% on cSCC and 9.8% on HER2+. Relative to mclSTExp, PCC(ACG) further improves by 39.5% on Alex+10x, together with 9.7% and 9.0% reductions in mean squared error (MSE) and mean absolute error (MAE), respectively.