Fugu-MT 論文翻訳(概要): N-ACT: An Interpretable Deep Learning Model for Automatic Cell Type and Salient Gene Identification

論文の概要: N-ACT: An Interpretable Deep Learning Model for Automatic Cell Type and Salient Gene Identification

arxiv url: http://arxiv.org/abs/2206.04047v1
Date: Sun, 8 May 2022 18:13:28 GMT
ステータス: 処理完了
システム内更新日: 2022-06-13 00:32:38.582602
Title: N-ACT: An Interpretable Deep Learning Model for Automatic Cell Type and Salient Gene Identification
Title（参考訳）: N-ACT: 自動細胞型および正常遺伝子同定のための解釈可能な深層学習モデル
Authors: A. Ali Heydari, Oscar A. Davalos, Katrina K. Hoyer, Suzanne S. Sindi
Abstract要約: ほとんどのscRNAseq解析パイプラインにおける大きな制限は、細胞のアイデンティティを決定するために手動のアノテーションに依存することである。 N-ACTは、ニューラルアテンションを利用して細胞型同定に使用するサルエント遺伝子を検出するACTIのための、第一級の解釈可能なディープニューラルネットワークである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Single-cell RNA sequencing (scRNAseq) is rapidly advancing our understanding of cellular composition within complex tissues and organisms. A major limitation in most scRNAseq analysis pipelines is the reliance on manual annotations to determine cell identities, which are time consuming, subjective, and require expertise. Given the surge in cell sequencing, supervised methods-especially deep learning models-have been developed for automatic cell type identification (ACTI), which achieve high accuracy and scalability. However, all existing deep learning frameworks for ACTI lack interpretability and are used as "black-box" models. We present N-ACT (Neural-Attention for Cell Type identification): the first-of-its-kind interpretable deep neural network for ACTI utilizing neural-attention to detect salient genes for use in cell-type identification. We compare N-ACT to conventional annotation methods on two previously manually annotated data sets, demonstrating that N-ACT accurately identifies marker genes and cell types in an unsupervised manner, while performing comparably on multiple data sets to current state-of-the-art model in traditional supervised ACTI.
Abstract（参考訳）: 単細胞RNAシークエンシング(scRNAseq)は、複雑な組織や生物における細胞組成の理解を急速に進めている。ほとんどのscrnaseq分析パイプラインの主要な制限は、時間消費、主観的、専門知識を必要とするセルのアイデンティティを決定するために手動アノテーションに依存することである。セルシークエンシングの急増に伴い、特に深層学習モデルを用いたセルタイプの自動識別(ACTI)が開発され、精度とスケーラビリティが向上した。しかしながら、ACTIの既存のディープラーニングフレームワークには解釈性がなく、“ブラックボックス”モデルとして使用されている。 N-ACT(Neural-Attention for Cell Type Identification: 細胞型同定のためのニューラルアテンション)は,ニューラルアテンションを用いて,細胞型同定に用いるサルエント遺伝子を検出するためのACTI用ニューラルネットワークである。我々はN-ACTと従来のアノテーション手法を比較し、N-ACTがマーカー遺伝子や細胞型を教師なしで正確に識別し、従来の教師付きACTIの最先端モデルに対して複数のデータセットで比較可能であることを示した。

関連論文リスト

Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
論文参考訳（メタデータ） (2024-07-25T16:42:08Z)
MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
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)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Epigenomic language models powered by Cerebras [0.0]
エピゲノムBERT(またはEBERT)は、DNA配列とペア化されたエピジェネティック状態の入力の両方に基づいて表現を学習する。細胞型特異的転写因子結合予測タスクにおいて,EBERTの転写学習能力を示す。 ENCODE-DREAMベンチマークから得られた13つの評価データセットのうち4つは、我々の微調整されたモデルであり、挑戦のリーダーボードでは総合3位である。
論文参考訳（メタデータ） (2021-12-14T17:23:42Z)
CloudPred: Predicting Patient Phenotypes From Single-cell RNA-seq [6.669618903574761]
単細胞RNAシークエンシング(scRNA-seq)は、病気の予後と精密な医学を知らせる強力な高解像度のシグネチャを提供する可能性がある。本稿では,cRNA-seqデータから個人の病気の表現型を予測するために,解釈可能な機械学習アルゴリズムであるCloudPredを開発した。
論文参考訳（メタデータ） (2021-10-13T22:41:30Z)
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)
A systematic evaluation of methods for cell phenotype classification using single-cell RNA sequencing data [7.62849213621469]
本研究は、細胞表現型を分類する13の一般的な教師付き機械学習アルゴリズムを評価する。研究結果から、ElasticNetと対話は、中小のデータセットで最善を尽くしたことが示された。
論文参考訳（メタデータ） (2021-10-01T23:24:15Z)
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)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)
Cell Type Identification from Single-Cell Transcriptomic Data via Semi-supervised Learning [2.4271601178529063]
シングルセルRNAシークエンシング(scRNAseq)データ解析の共通の目的は、シングルセル転写データからの細胞型同定である。ラベルなしの scRNAseq 細胞とラベル付き scRNAseq 細胞を限定的に使用して細胞識別を行う半教師付き学習モデルを提案する。提案手法は, ラベル付きcRNAseq細胞を極端に限定して学習することで, 高い性能を達成できることが観察された。
論文参考訳（メタデータ） (2020-05-06T19:15:43Z)

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。