論文の概要: Active feature selection discovers minimal gene-sets for classifying
cell-types and disease states in single-cell mRNA-seq data
- arxiv url: http://arxiv.org/abs/2106.08317v1
- Date: Tue, 15 Jun 2021 17:49:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 14:56:54.919091
- Title: Active feature selection discovers minimal gene-sets for classifying
cell-types and disease states in single-cell mRNA-seq data
- Title(参考訳): 単一細胞mRNA-seqデータを用いた細胞型と疾患状態の最小限の遺伝子セットの探索
- Authors: Xiaoqiao Chen, Sisi Chen, Matt Thomson
- Abstract要約: 現在、単細胞mRNA-seqコストは、多くの生物学的および臨床的タスクに対する単細胞mRNA-seqの適用を禁止している。
本稿では, 細胞型と生理状態の高精度な分類を可能にする, 圧縮された遺伝子セットを構成する能動的学習フレームワークを提案する。
コンパクトだが高情報性の高い遺伝子セットの発見は、単一細胞mRNA-seqの応用に対するシークエンシング要求の劇的な削減を可能にする可能性がある。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequencing costs currently prohibit the application of single cell mRNA-seq
for many biological and clinical tasks of interest. Here, we introduce an
active learning framework that constructs compressed gene sets that enable high
accuracy classification of cell-types and physiological states while analyzing
a minimal number of gene transcripts. Our active feature selection procedure
constructs gene sets through an iterative cell-type classification task where
misclassified cells are examined at each round to identify maximally
informative genes through an `active' support vector machine (SVM) classifier.
Our active SVM procedure automatically identifies gene sets that enables
$>90\%$ cell-type classification accuracy in the Tabula Muris mouse tissue
survey as well as a $\sim 40$ gene set that enables classification of multiple
myeloma patient samples with $>95\%$ accuracy. Broadly, the discovery of
compact but highly informative gene sets might enable drastic reductions in
sequencing requirements for applications of single-cell mRNA-seq.
- Abstract(参考訳): 現在、シークエンシングコストは、多くの生物学的および臨床的タスクに対する単一細胞mRNA-seqの使用を禁止している。
本稿では,細胞型と生理状態の高精度な分類を可能にする圧縮遺伝子セットを構築するアクティブラーニングフレームワークについて紹介する。
能動的特徴選択法は,各ラウンドで誤分類された細胞を検査する反復型細胞型分類タスクを通じて遺伝子セットを構築し,"能動的"支援ベクターマシン(SVM)分類器を通じて最大情報的遺伝子を同定する。
当社のアクティブSVMプロシージャは,Tabula Murisマウス組織調査において,$>90\%$細胞型分類精度を実現する遺伝子セットと,$>95\%$精度で多発性骨髄腫患者サンプルの分類を可能にする$\sim 40$遺伝子セットを自動的に識別する。
広くは、コンパクトだが高情報性の高い遺伝子セットの発見は、単一細胞mRNA-seqの応用に対するシークエンシング要求の劇的な削減を可能にする可能性がある。
関連論文リスト
- Cell reprogramming design by transfer learning of functional
transcriptional networks [0.0]
我々は,ヒト細胞運命に関連する転写学的データに基づいて事前学習した細胞行動を制御するための転写学習手法を開発した。
本研究では, 発達関連性の低下に伴い, ある運命から別の運命へと進むために必要な遺伝子摂動の数が増加することを示す。
論文 参考訳(メタデータ) (2024-03-07T19:00:02Z) - scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。
scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。
scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文 参考訳(メタデータ) (2023-12-16T03:54:26Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳(メタデータ) (2023-10-04T10:30:08Z) - Fuzzy Gene Selection and Cancer Classification Based on Deep Learning
Model [1.3072222152900117]
我々は,癌分類を容易にする情報的遺伝子を同定するための新しいファジィ遺伝子選択法(FGS)を開発した。
FGS法で癌分類は96.5%,96.2%,96%,95.9%の精度,精度,リコール,f1スコアを得た。
得られた6つのデータセットを調べることで、提案モデルはがんを効果的に分類する能力を示す。
論文 参考訳(メタデータ) (2023-05-04T21:52:57Z) - Multi-modal Self-supervised Pre-training for Regulatory Genome Across
Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。
我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文 参考訳(メタデータ) (2021-10-11T12:48:44Z) - Gene Transformer: Transformers for the Gene Expression-based
Classification of Cancer Subtypes [0.0]
本稿では,多頭部自己認識モジュールによる高次元遺伝子発現の複雑さに対処するエンド・ツー・エンドのディープラーニング手法であるGene Transformerを提案する。
Gene Transformerは、がんのサブタイプを分類するための効率的なアプローチであり、計算生物学におけるディープラーニングモデルの改善は、この領域でもよく反映できることを示している。
論文 参考訳(メタデータ) (2021-08-26T15:02:55Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - A New Gene Selection Algorithm using Fuzzy-Rough Set Theory for Tumor
Classification [0.0]
本稿では,ファジィ・ルー集合の識別行列を用いた新しい遺伝子選択手法を提案する。
提案手法は、遺伝子選択結果を改善するために、同一のクラスラベルと異なるクラスラベルを持つインスタンスの類似性を考慮に入れている。
実験により, この手法は最先端の手法に比べて効率が良いことを示した。
論文 参考訳(メタデータ) (2020-03-26T13:43:25Z)
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。