論文の概要: SGEN: Single-cell Sequencing Graph Self-supervised Embedding Network

• arxiv url: http://arxiv.org/abs/2110.09413v1
• Date: Fri, 15 Oct 2021 13:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 15:01:06.119075
• Title: SGEN: Single-cell Sequencing Graph Self-supervised Embedding Network
• Title（参考訳）: SGEN: シングルセルシークエンシンググラフ自己教師型埋め込みネットワーク
• Authors: Ziyi Liu, Minghui Liao, Fulin luo, Bo Du
• Abstract要約: 単一セルデータの可視化のためのグラフ畳み込みネットワーク(GCN)に基づく2次元特徴表現法を開発した。 その結果、SGENは明らかな2次元分布を達成し、異なる細胞の高次元的関係を保っていることがわかった。
• 参考スコア（独自算出の注目度）: 35.11562214480459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-cell sequencing has a significant role to explore biological processes such as embryonic development, cancer evolution, and cell differentiation. These biological properties can be presented by a two-dimensional scatter plot. However, single-cell sequencing data generally has very high dimensionality. Therefore, dimensionality reduction should be used to process the high dimensional sequencing data for 2D visualization and subsequent biological analysis. The traditional dimensionality reduction methods, which do not consider the structure characteristics of single-cell sequencing data, are difficult to reveal the data structure in the 2D representation. In this paper, we develop a 2D feature representation method based on graph convolutional networks (GCN) for the visualization of single-cell data, termed single-cell sequencing graph embedding networks (SGEN). This method constructs the graph by the similarity relationship between cells and adopts GCN to analyze the neighbor embedding information of samples, which makes the similar cell closer to each other on the 2D scatter plot. The results show SGEN achieves obvious 2D distribution and preserves the high-dimensional relationship of different cells. Meanwhile, similar cell clusters have spatial continuity rather than relying heavily on random initialization, which can reflect the trajectory of cell development in this scatter plot.
• Abstract（参考訳）: 単細胞シークエンシングは、胚発生、がんの進化、細胞分化などの生物学的過程を研究する上で重要な役割を担っている。 これらの生物学的性質は2次元散乱プロットによって示される。 しかし、単細胞シーケンシングデータは一般に非常に高い次元を持つ。 したがって,2次元ビジュアライゼーションとその後の生物学的解析のために,高次元シークエンシングデータを処理するために次元縮小を用いる必要がある。 単一セルシークエンシングデータの構造特性を考慮しない従来の次元減少法では,2次元表現におけるデータ構造を明らかにすることは困難である。 本稿では,単細胞データ可視化のためのグラフ畳み込みネットワーク(gcn)に基づく2次元特徴表現法であるsgen(single-cell sequencing graph embedded networks)を開発した。 本手法は, セル間の類似性関係を用いてグラフを構築し, GCNを用いてサンプルの隣接埋め込み情報を解析し, 類似セルを2次元散乱プロット上で互いに近接させる。 その結果、SGENは明らかな2次元分布を達成し、異なる細胞の高次元的な関係を保っていることがわかった。 一方、類似の細胞クラスターは、ランダム初期化に大きく依存するのではなく、空間的連続性を持ち、この散乱プロットにおける細胞発達の軌跡を反映することができる。

関連論文リスト

• Multicell-Fold: geometric learning in folding multicellular life [0.34952465649465553]
  細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。 マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。 我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
  論文  参考訳（メタデータ） (2024-07-09T17:21:49Z)
• $\Gamma$-VAE: Curvature regularized variational autoencoders for uncovering emergent low dimensional geometric structure in high dimensional data [0.25128687379089687]
  創発的な振る舞いを持つ自然系は、しばしば高次元空間の低次元部分集合に沿って構成される。 生成モデルの曲率を正規化することで、より一貫性があり、予測可能で、一般化可能なモデルを実現できることを示す。
  論文  参考訳（メタデータ） (2024-03-02T03:26:09Z)
• Signal Processing in the Retina: Interpretable Graph Classifier to Predict Ganglion Cell Responses [26.403303281303092]
  そこで我々は,視覚刺激に応答してガングリオン細胞の発火を予測できるグラフベース分類器を学習した。 我々の枠組みは、解釈を必要とする前兆的特徴を持つ他の生物学的システムに適用できる。
  論文  参考訳（メタデータ） (2024-01-03T16:15:22Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• YOLO2U-Net: Detection-Guided 3D Instance Segmentation for Microscopy [0.0]
  脳組織中の細胞の正確な3Dインスタンスセグメンテーションのための包括的手法を提案する。 提案手法は,2次元YOLO検出法と多視点融合アルゴリズムを組み合わせることで,細胞の3次元局在化を構築する。 提案手法の有望な性能を,現在の深層学習に基づく3次元インスタンス分割法と比較した。
  論文  参考訳（メタデータ） (2022-07-13T14:17:52Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Topological Data Analysis in Time Series: Temporal Filtration and Application to Single-Cell Genomics [13.173307471333619]
  単細胞トポロジカル単純解析(scTSA)を提案する。 このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。 38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
  論文  参考訳（メタデータ） (2022-04-29T12:46:14Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。