論文の概要: Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder

• arxiv url: http://arxiv.org/abs/2102.05892v3
• Date: Fri, 22 Apr 2022 08:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 12:10:39.071393
• Title: Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder
• Title（参考訳）: 密度木バイアスオートエンコーダを用いたscRNA-seqデータの階層化
• Authors: Quentin Garrido (LIGM, HCI), Sebastian Damrich (HCI), Alexander J\"ager (HCI), Dario Cerletti (HCI), Manfred Claassen, Laurent Najman (LIGM), Fred Hamprecht (HCI)
• Abstract要約: 本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
• 参考スコア（独自算出の注目度）: 50.591267188664666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivation: Single cell RNA sequencing (scRNA-seq) data makes studying the development of cells possible at unparalleled resolution. Given that many cellular differentiation processes are hierarchical, their scRNA-seq data is expected to be approximately tree-shaped in gene expression space. Inference and representation of this tree-structure in two dimensions is highly desirable for biological interpretation and exploratory analysis.Results:Our two contributions are an approach for identifying a meaningful tree structure from high-dimensional scRNA-seq data, and a visualization method respecting the tree-structure. We extract the tree structure by means of a density based minimum spanning tree on a vector quantization of the data and show that it captures biological information well. We then introduce DTAE, a tree-biased autoencoder that emphasizes the tree structure of the data in low dimensional space. We compare to other dimension reduction methods and demonstrate the success of our method both qualitatively and quantitatively on real and toy data.Availability: Our implementation relying on PyTorch and Higra is available at https://github.com/hci-unihd/DTAE.
• Abstract（参考訳）: モチベーション:単細胞RNAシークエンシング(scRNA-seq)データにより、非平行解像度で細胞の開発が可能であることを研究する。 多くの細胞分化過程が階層的であることから、そのscRNA-seqデータは遺伝子発現空間において概ね木状であることが期待される。 この木構造を2次元で推測・表現することは生物学的解釈と探索解析に非常に望ましいものであり,結果:我々は高次元のscRNA-seqデータから意味のある木構造を特定するためのアプローチであり,木構造を尊重する可視化手法である。 データのベクトル量子化上で密度ベース最小スパンディングツリーを用いて木構造を抽出し、生物学的情報をよく捉えていることを示す。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。 我々は他の次元縮小法と比較し、実データと玩具データの両方で定量的かつ定量的に方法の成功を実証する。

関連論文リスト

• scTree: Discovering Cellular Hierarchies in the Presence of Batch Effects in scRNA-seq Data [12.01555110624794]
  scTreeは、ツリー構造データ表現を同時に学習しながら、バッチ効果を補正する。 scTreeがデータの基礎となるクラスタを発見できる7つのデータセットを実証的に示す。
  論文  参考訳（メタデータ） (2024-06-27T16:16:55Z)
• The Central Spanning Tree Problem [20.14154858576556]
  スパンニングツリーは多くのデータ分析タスクにおいて重要なプリミティブであり、データセットをその「骨格」という観点で要約する必要がある。 我々は,(枝分かれした)中央のスパンニングツリーが,データのノイズに対してより頑丈であることを示し,そのスケルトンの観点からデータセットを要約するのに適していることを示す。
  論文  参考訳（メタデータ） (2024-04-09T16:49:42Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Tree Variational Autoencoders [5.992683455757179]
  本稿では,潜在変数上の柔軟木に基づく後続分布を学習する階層的階層クラスタリングモデルを提案する。 TreeVAEは、本質的な特徴に従ってサンプルを階層的に分割し、データ内の隠れた構造に光を遮る。
  論文  参考訳（メタデータ） (2023-06-15T09:25:04Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Phylo2Vec: a vector representation for binary trees [0.49478969093606673]
  系統樹を模したPhylo2Vecについて紹介する。 系統樹を操作および表現するための統一的なアプローチとして機能する。 概念実証として、Phylo2Vecを用いて5つの実世界のデータセットの最大推定を行う。
  論文  参考訳（メタデータ） (2023-04-25T09:54:35Z)
• RLET: A Reinforcement Learning Based Approach for Explainable QA with Entailment Trees [47.745218107037786]
  本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。 RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。 EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
  論文  参考訳（メタデータ） (2022-10-31T06:45:05Z)
• Spectral Top-Down Recovery of Latent Tree Models [13.681975313065477]
  スペクトルトップダウン・リカバリ (STDR) は、大きな潜在木モデルを推定するための分割・コンカレントアプローチである。 STDRの分割ステップは非ランダムです。 代わりに、観測されたノードに関連する適切なラプラシア行列のFiedlerベクトルに基づいている。 私達はSTDRが統計的に一貫性があることを証明し、高い確率で木を正確に回復するために必要なサンプルの数を縛ります。
  論文  参考訳（メタデータ） (2021-02-26T02:47:42Z)
• SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples [75.32013242448151]
  ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。 Katiyarら。 (2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。 統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T01:57:35Z)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。