論文の概要: Spatial Transcriptomics Dimensionality Reduction using Wavelet Bases
- arxiv url: http://arxiv.org/abs/2205.11243v1
- Date: Thu, 19 May 2022 04:13:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-06 05:39:12.138720
- Title: Spatial Transcriptomics Dimensionality Reduction using Wavelet Bases
- Title（参考訳）: ウェーブレットベースを用いた空間トランスクリプトミクス次元化
- Authors: Zhuoyan Xu, Kris Sankaran
- Abstract要約: 空間構造を保持する遺伝子発現次元減少アルゴリズムを提案する。
ウェーブレット変換と行列分解を組み合わせ、空間的に変化する遺伝子を選択する。
グローバル空間パターンをキャプチャする抽出された表現遺伝子を可視化する。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatially resolved transcriptomics (ST) measures gene expression along with
the spatial coordinates of the measurements. The analysis of ST data involves
significant computation complexity. In this work, we propose gene expression
dimensionality reduction algorithm that retains spatial structure. We combine
the wavelet transformation with matrix factorization to select
spatially-varying genes. We extract a low-dimensional representation of these
genes. We consider Empirical Bayes setting, imposing regularization through the
prior distribution of factor genes. Additionally, We provide visualization of
extracted representation genes capturing the global spatial pattern. We
illustrate the performance of our methods by spatial structure recovery and
gene expression reconstruction in simulation. In real data experiments, our
method identifies spatial structure of gene factors and outperforms regular
decomposition regarding reconstruction error. We found the connection between
the fluctuation of gene patterns and wavelet technique, providing smoother
visualization. We develop the package and share the workflow generating
reproducible quantitative results and gene visualization. The package is
available at https://github.com/OliverXUZY/waveST.
- Abstract（参考訳）: 空間分解転写学(st)は、測定の空間座標とともに遺伝子発現を測定する。
STデータの解析には計算の複雑さが伴う。
本研究では,空間構造を保持する遺伝子発現次元削減アルゴリズムを提案する。
ウェーブレット変換と行列分解を組み合わせ、空間的に変化する遺伝子を選択する。
これらの遺伝子の低次元表現を抽出する。
経験的ベイズ設定を考慮し、因子遺伝子の事前分布を通して正規化を示唆する。
さらに,全球空間パターンを捉えた抽出表現遺伝子の可視化を行う。
シミュレーションにおいて,空間構造回復と遺伝子発現再構成による手法の性能を示す。
実データ実験では,遺伝子因子の空間構造を同定し,再構成誤差に関する正規分解よりも優れていた。
遺伝子パターンのゆらぎとウェーブレット技術との関係を見出した結果,よりスムーズな可視化が可能となった。
このパッケージを開発し、再現可能な定量的結果と遺伝子視覚化を生成するワークフローを共有する。
パッケージはhttps://github.com/OliverXUZY/waveSTで入手できる。
関連論文リスト
- RLE: A Unified Perspective of Data Augmentation for Cross-Spectral Re-identification [59.5042031913258]
非線型モダリティの相違は主に、異なる材料の表面に作用する様々な線形変換に由来する。
本稿では,MRLE(Modrate Random Linear Enhancement)とRRLE(Radical Random Linear Enhancement)を含むRLE(Random Linear Enhancement)戦略を提案する。
実験結果は、RLEの優位性と有効性を示すだけでなく、クロススペクトル再同定のための汎用データ拡張としての可能性も確認した。
論文 参考訳（メタデータ） (2024-11-02T12:13:37Z) - Robust Multi-view Co-expression Network Inference [8.697303234009528]
トランスクリプトームデータから遺伝子共発現ネットワークを推定することは、多くの課題をもたらす。
複数の独立研究から高次元グラフ推論のためのロバストな手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T06:30:09Z) - Distance-Preserving Generative Modeling of Spatial Transcriptomics [0.0]
本稿では,空間転写学における距離保存型生成モデルについて紹介する。
得られた空間情報を用いて、類似した対距離構造を持つ遺伝子表現の学習表現空間を正規化する。
我々のフレームワークは、遺伝子発現モデリングのためのあらゆる変分推論に基づく生成モデルとの互換性を付与する。
論文 参考訳（メタデータ） (2024-08-01T21:04:27Z) - stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement [1.3124513975412255]
本研究では,トランスフォーマーアーキテクチャに基づくディープラーニング手法であるstEnTransを提案する。
stEnTransを6つのデータセット上で評価した結果, スポット分解能の向上と未測定領域での遺伝子発現の予測において, 優れた性能を示した。
論文 参考訳（メタデータ） (2024-07-11T06:50:34Z) - Gene-Level Representation Learning via Interventional Style Transfer in Optical Pooled Screening [3.7038542578642715]
光プールスクリーニング(OPS)を用いて得られた遺伝的摂動細胞の画像から、遺伝子レベルの特徴表現を学習するためのスタイル変換アプローチを採用する。
本手法は,遺伝子機能に応じた遺伝子表現のクラスタリングにおける工学的特徴よりも優れ,潜伏する生物学的関係を明らかにするために有用であることを示す。
論文 参考訳（メタデータ） (2024-06-11T22:56:50Z) - 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) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - A Novel Fuzzy Bi-Clustering Algorithm with AFS for Identification of
Co-Regulated Genes [0.799536002595393]
本稿では,共制御遺伝子を同定するファジィ・ビクラスタリングアルゴリズムを提案する。
提案アルゴリズムは、遺伝子発現データの事前知識なしに、協調制御された遺伝子を効果的に検出することができる。
論文 参考訳（メタデータ） (2023-02-03T08:35:49Z) - Orthonormal Convolutions for the Rotation Based Iterative
Gaussianization [64.44661342486434]
本稿では、画像ガウス化を可能にする回転型反復ガウス化RBIGの拡張について詳述する。
RBIGの回転は主成分分析や独立成分分析に基づくため、画像では小さな画像パッチや孤立画素に制限されている。
emphConvolutional RBIG:この問題を緩和する拡張として,RBIGの回転が畳み込みであることを示す。
論文 参考訳（メタデータ） (2022-06-08T12:56:34Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳（メタデータ） (2021-06-26T06:24:51Z) - A Novel Granular-Based Bi-Clustering Method of Deep Mining the
Co-Expressed Genes [76.84066556597342]
ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。
残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。
本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-12T02:04:40Z)
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。