Resumen:La investigación biomédica depende cada vez más de la integración de diversas modalidades de datos, incluidos perfiles de expresión genética, imágenes médicas y metadatos clínicos. Si bien las imágenes médicas y los metadatos clínicos se recopilan de forma rutinaria en la práctica clínica, los datos de expresión genética presentan desafíos únicos para el uso generalizado en investigación, principalmente debido a las estrictas regulaciones de privacidad y los costosos experimentos de laboratorio. Para abordar estas limitaciones, presentamos GeMM-GAN, una novedosa red generativa adversaria condicionada a diapositivas de tejido de histopatología y metadatos clínicos, diseñada para sintetizar perfiles de expresión genética realistas. GeMM-GAN combina un codificador transformador para parches de imágenes con un mecanismo final de atención cruzada entre parches y tokens de texto, produciendo un vector condicionante para guiar un modelo generativo en la generación de perfiles de expresión genética biológicamente coherentes. Evaluamos nuestro enfoque en el conjunto de datos TCGA y demostramos que nuestro marco supera a los modelos generativos estándar y genera perfiles de expresión genética más realistas y funcionalmente significativos, mejorando en más de un 11% la precisión en la predicción del tipo de enfermedad en comparación con los modelos generativos de última generación actuales. El código estará disponible en: esta URL https
Publicado originalmente en export.arxiv.org el 22 de enero de 2026.
Ver fuente original
