単細胞RNAシーケンス（scRNA-seq）技術は、単細胞解像度で高スループットなトランスクリプトーム解析を可能にし、細胞生物学の研究を大きく進展させました。しかし、scRNA-seq技術の重要な制約は、組織を解離する必要があるため、細胞の組織内における元の空間位置情報が失われることです。空間トランスクリプトミクス（Spatial Transcriptomics, ST）技術は、正確な空間遺伝子発現マップを提供できますが、遺伝子検出数、コスト、細胞タイプ注釈の細かさにおいて制限があります。そのため、scRNA-seqデータに空間情報を復元する方法は、現在の研究における重要な課題となっています。 この問題を解決するため、研究者たちは、scRNA-seqとSTデータの間で知識を転送する「細胞対応...
背景紹介 近年、環状RNA（circRNA）は新たな非コードRNA分子として、疾患の発生、進行、治療において重要な役割を果たしています。circRNAは独特の環状構造を持ち、ヌクレアーゼによる分解を受けにくいため、潜在的なバイオマーカーや治療標的として注目されています。しかし、実験的手法を用いてcircRNAと疾患の関連を研究するには時間とコストがかかり、関連研究の進展を妨げています。この問題を解決するため、研究者たちはバイオインフォマティクス手法を用いてcircRNAと疾患の関連を予測する計算モデルの開発に取り組んでおり、実験研究の指針を提供しています。 多視点学習手法はcircRNAと疾患の関連予測に広く用いられていますが、既存の手法は異なる視点間の潜在的な情報を十分に活用できておらず、...
多ラベル画像分類の新たなブレークスルー——デュアルリレーショントランスフォーマーネットワーク 学術的背景 多ラベル画像分類（Multi-Label Image Classification, MLIC）は、コンピュータビジョン分野における基礎的でありながら非常に挑戦的な問題です。単一ラベル画像分類とは異なり、MLICの目標は、1枚の画像内の複数のオブジェクトに同時にラベルを割り当てることです。画像内には複数のオブジェクトが含まれる可能性があり、これらのオブジェクト間には複雑な空間的および意味的関係が存在するため、MLICタスクはシーンの複雑さ、オブジェクトのスケールの多様性、およびオブジェクト間の暗黙の関連性といった課題に直面しています。近年、深層学習技術の急速な発展、特に畳み込みニューラル...
対照的分離表現学習を用いた音声保存型顔表情操作への応用 背景紹介 近年、バーチャルリアリティや映像制作、そしてヒューマンコンピュータインタラクション技術の急速な発展に伴い、顔表情操作（Facial Expression Manipulation）はコンピュータビジョンおよびグラフィックス分野で注目される研究テーマとなっています。特に、音声保存型顔表情操作（Speech-Preserving Facial Expression Manipulation, SPFEM） は、話し手の口の動きと音声との同期を維持しつつ、顔の感情表現を変更することを目指しています。この技術は人間の表情の表現力を大幅に向上させるだけでなく、仮想キャラクタ生成や映画のポストプロダクションなどの実用的なアプリケーションに...
T細胞受容体（TCR）特異性予測の新たな進展——SCEPTRモデルの提案 学術的背景 T細胞受容体（TCR）は免疫システムにおいて極めて重要な役割を果たしており、主要組織適合複合体（MHC）によって提示されたペプチドと結合することで、免疫反応の特異性を決定します。TCRと特定のペプチド-MHC複合体（pMHC）の相互作用を理解することは、免疫学における大きな課題です。高スループット実験技術の発展により、大量のTCR配列データが得られるようになりましたが、TCRが特定のpMHCと結合する能力を正確に予測することは依然として困難です。現在、タンパク質言語モデル（PLMs）は高スループットデータ分析において強力な可能性を示していますが、TCR特異性予測タスクでは特にデータが不足している状況下では不...
高次幾何構造モデリングに基づく点群の教師なし領域適応 研究背景と動機 点群データは3次元空間を表す重要なデータ形式であり、自動運転、リモートセンシングなどの現実世界のシナリオで広く利用されています。点群は正確な幾何情報を捉えることができますが、デバイス間またはシナリオ間で適用される際に、センサーのノイズ、サンプリング方法、環境の影響などによる幾何的な特性が顕著に変化する可能性があります。このような顕著な幾何変化（領域間ギャップ）は、ある領域で訓練されたニューラルネットワークが他の領域での性能を保持するのを困難にしています。この問題は、点群の深層学習手法の実際の応用での普及に制約を与えています。 現在、この問題の効果的な解決策として教師なし領域適応（Unsupervised Domain Ad...
階層的負サンプリングに基づくグラフ対比学習を用いた薬物-疾患関連予測の研究 薬物-疾患関連（RDAs）の予測は、疾患治療戦略の解明や薬物の再利用において重要な役割を果たしています。しかし、既存の方法は主に限定されたドメイン特有の知識に依存して薬物と疾患の候補関連を予測しているため、効果が限定されています。また、薬物-疾患関係の未知の情報を単純に負のサンプルとして定義することには固有の欠点があります。これらの課題を克服するため、本研究では階層的な負のサンプリングに基づく新しいグラフ対比モデルであるHSGCL-RDAを提案し、薬物と疾患の潜在的な関連を予測します。 研究背景と研究課題 薬物開発および疾患進行の制御プロセスは長くて高価であり、増え続ける疾患の数とその変異により効果的な薬物の需要が増...
医学多組学データ分析における多重先験知識グラフニューラルネットワーク 背景紹介 精密医療は将来の医療保健において重要な分野であり、患者に個別化された治療計画を提供することにより、治療効果を改善しコストを削減します。例えば、乳がん患者の複雑な臨床、病理、および分子特性を考えると、同じ治療が異なる効果を示すことがあります。バイオ医学技術の急速な発展に伴い、多組学データを通じて疾病の特性化が可能になっています。多組学アプローチは単一組学アプローチに比べて、複数のデータ間で一貫性と補完的な情報を捉えることができ、より正確かつ深くモデルを構築することができます。例えば、がんゲノム図譜（The Cancer Genome Atlas, TCGA）は、mRNA 発現、DNA メチル化、およびコピー数変異（...