論文の概要: Feature selection revisited in the single-cell era

• arxiv url: http://arxiv.org/abs/2110.14329v1
• Date: Wed, 27 Oct 2021 10:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 15:06:32.319929
• Title: Feature selection revisited in the single-cell era
• Title（参考訳）: 単一細胞時代に再訪した特徴選択
• Authors: Pengyi Yang, Hao Huang, Chunlei Liu
• Abstract要約: 近年のバイオテクノロジーの進歩は、単一細胞分野における特徴選択研究と応用の復活につながっている。 従来の画像技術や最新の単一セルオミクス技術から生成されたものを含む,多様な単一セルデータタイプに対する汎用的応用についてレビューする。
• 参考スコア（独自算出の注目度）: 5.135705117640815
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Feature selection techniques are essential for high-dimensional data analysis. In the last two decades, their popularity has been fuelled by the increasing availability of high-throughput biomolecular data where high-dimensionality is a common data property. Recent advances in biotechnologies enable global profiling of various molecular and cellular features at single-cell resolution, resulting in large-scale datasets with increased complexity. These technological developments have led to a resurgence in feature selection research and application in the single-cell field. Here, we revisit feature selection techniques and summarise recent developments. We review their versatile application to a range of single-cell data types including those generated from traditional cytometry and imaging technologies and the latest array of single-cell omics technologies. We highlight some of the challenges and future directions on which feature selection could have a significant impact. Finally, we consider the scalability and make general recommendations on the utility of each type of feature selection method. We hope this review serves as a reference point to stimulate future research and application of feature selection in the single-cell era.
• Abstract（参考訳）: 高次元データ解析には特徴選択技術が不可欠である。 過去20年間で、その人気は、高次元性が共通のデータ特性である高出力の生体分子データの利用の増加によって加速されてきた。 近年のバイオテクノロジーの進歩により、単細胞分解能で様々な分子・細胞の特徴のグローバルなプロファイリングが可能となり、複雑さが増大する大規模データセットが実現された。 これらの技術の発展は、シングルセル分野における機能選択研究と応用の復活に繋がった。 本稿では,機能選択手法を再考し,最近の展開を要約する。 従来の細胞計測・イメージング技術や最新の単細胞オミクス技術から生成されるものを含む,多様な単一細胞データタイプへの汎用的応用についてレビューする。 機能選択が大きな影響を与える可能性のある課題と今後の方向性を強調します。 最後に、スケーラビリティを検討し、各タイプの特徴選択手法の有用性について一般的な推奨を行う。 このレビューが,単一細胞時代における機能選択の今後の研究と応用を刺激する基準点になることを願っている。

関連論文リスト

• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• 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)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Revolutionizing Single Cell Analysis: The Power of Large Language Models for Cell Type Annotation [0.0]
  ChatGPTやNew Bingのような大規模な言語モデルは、細胞型の正確なアノテーションを提供する。 単一細胞データのアノテートにChatGPTを用いることで、レア細胞型を機能に関連付けることができる。 これは、がんの進行、哺乳類の発達、幹細胞の分化を理解する上で重要な応用となる。
  論文  参考訳（メタデータ） (2023-04-05T18:45:54Z)
• Deep Learning in Single-Cell Analysis [34.08722045363822]
  単細胞技術は生物学全般に革命をもたらしている。 ディープラーニングは、従来の機械学習手法よりも優れたパフォーマンスを示すことが多い。 この調査は生物学者やコンピュータ科学者の参考となり、コラボレーションを奨励する。
  論文  参考訳（メタデータ） (2022-10-22T08:26:41Z)
• A biology-driven deep generative model for cell-type annotation in cytometry [0.0]
  Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。 Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。 さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
  論文  参考訳（メタデータ） (2022-08-11T10:50:44Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Review of Swarm Intelligence-based Feature Selection Methods [3.8848561367220276]
  高次元データセットを持つデータマイニングアプリケーションは、高速かつ精度が要求される。 次元削減手法の1つは、データマイニングタスクの精度を高める機能選択である。 最先端のSwarmインテリジェンスについて検討し、これらのアルゴリズムに基づく最近の特徴選択手法について概説する。
  論文  参考訳（メタデータ） (2020-08-07T05:18:58Z)

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。