論文の概要: Contrastive Cycle Adversarial Autoencoders for Single-cell Multi-omics Alignment and Integration

• arxiv url: http://arxiv.org/abs/2112.03266v1
• Date: Sun, 5 Dec 2021 13:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 16:06:34.746414
• Title: Contrastive Cycle Adversarial Autoencoders for Single-cell Multi-omics Alignment and Integration
• Title（参考訳）: シングルセルマルチオミクスアライメントと統合のためのコントラストサイクル対応オートエンコーダ
• Authors: Xuesong Wang (1 and 2), Zhihang Hu (1), Tingyang Yu (1), Ruijie Wang (1), Yumeng Wei (1), Juan Shu (3), Jianzhu Ma (4), Yu Li (1 and 2) ((1) Department of Computer Science and Engineering, CUHK, Hong Kong SAR, China, (2) 2The CUHK Shenzhen Research Institute, Hi-Tech Park, Nanshan, Shenzhen, 518057, China, (3) Purdue University, West Lafayette, IN 47907, United States, (4) Institute for Artificial Intelligence, Peking University, Beijing, 100871, China)
• Abstract要約: 本稿では,単一セルRNA-seqデータと単一セルATAC-seqデータとの整合と統合のための新しいフレームワークを提案する。 他の最先端手法と比較して,本手法はシミュレーションデータと実シングルセルデータの両方において優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Muilti-modality data are ubiquitous in biology, especially that we have entered the multi-omics era, when we can measure the same biological object (cell) from different aspects (omics) to provide a more comprehensive insight into the cellular system. When dealing with such multi-omics data, the first step is to determine the correspondence among different modalities. In other words, we should match data from different spaces corresponding to the same object. This problem is particularly challenging in the single-cell multi-omics scenario because such data are very sparse with extremely high dimensions. Secondly, matched single-cell multi-omics data are rare and hard to collect. Furthermore, due to the limitations of the experimental environment, the data are usually highly noisy. To promote the single-cell multi-omics research, we overcome the above challenges, proposing a novel framework to align and integrate single-cell RNA-seq data and single-cell ATAC-seq data. Our approach can efficiently map the above data with high sparsity and noise from different spaces to a low-dimensional manifold in a unified space, making the downstream alignment and integration straightforward. Compared with the other state-of-the-art methods, our method performs better in both simulated and real single-cell data. The proposed method is helpful for the single-cell multi-omics research. The improvement for integration on the simulated data is significant.
• Abstract（参考訳）: muilti-modalityデータは生物学においてユビキタスであり、特に、異なる側面(omics)から同じ生物学的対象(cell)を計測し、より包括的な細胞系への洞察を提供するマルチオミクス時代に入ってきた。 このようなマルチオミクスデータを扱う場合、最初のステップは異なるモダリティ間の対応を決定することである。 言い換えれば、私たちは同じオブジェクトに対応する異なる空間のデータとマッチすべきです。 この問題はシングルセルマルチオミクスのシナリオでは特に困難である。 第2に、マッチングされたシングルセル・マルチオミクスデータは稀で収集が困難である。 さらに,実験環境の制約により,データは通常,非常にノイズが多い。 単細胞マルチオミクス研究を促進するため,我々は,単細胞rna-seqデータと単細胞atac-seqデータを統合するための新しい枠組みを提案し,上記の課題を克服した。 提案手法は, 異なる空間からの高空間と雑音で, 下流のアライメントと積分を容易に, 統一空間内の低次元多様体に効率的にマッピングすることができる。 他の最先端手法と比較して,本手法はシミュレーションデータと実シングルセルデータの両方において優れている。 提案手法は単細胞マルチオミクス研究に有用である。 シミュレーションデータへの統合の改善は重要である。

関連論文リスト

• CAVACHON: a hierarchical variational autoencoder to integrate multi-modal single-cell data [10.429856767305687]
  マルチモーダルデータ間の条件付き独立関係を明示的に組み込んだ新しい確率論的学習フレームワークを提案する。 単セルマルチオミクスデータ統合に関連する様々なアプリケーションにおけるフレームワークの汎用性を実証する。
  論文  参考訳（メタデータ） (2024-05-28T23:44:09Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• 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)
• Is your data alignable? Principled and interpretable alignability testing and integration of single-cell data [24.457344926393397]
  単細胞データ統合は、細胞の包括的な分子ビューを提供する。 既存の方法にはいくつかの基本的な制限がある。 スペクトル多様体アライメントと推論の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-03T16:04:14Z)
• CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data [47.2764293508916]
  不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。 マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。 クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T00:22:18Z)
• MEDIAR: Harmony of Data-Centric and Model-Centric for Multi-Modality Microscopy [9.405458160620533]
  マルチモーダルなセルインスタンスセグメンテーションのための総合パイプラインであるMEDIARを提案する。 検証段階では時間予算を満足しながら0.9067F1スコアを達成する。 その後の研究を容易にするために、ソースコードとトレーニングされたモデルをオープンソースとして提供します。
  論文  参考訳（メタデータ） (2022-12-07T05:09:24Z)
• AVIDA: Alternating method for Visualizing and Integrating Data [1.6637373649145604]
  AVIDAはデータアライメントと次元削減を同時に行うためのフレームワークである。 AVIDAは特徴のない高次元データセットを正しく整列することを示す。 一般の応用では、アライメントおよび次元減少加群に他の方法を用いることができる。
  論文  参考訳（メタデータ） (2022-05-31T22:36:10Z)
• 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)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。