論文の概要: Application of Deep Learning on Single-Cell RNA-sequencing Data
Analysis: A Review
- arxiv url: http://arxiv.org/abs/2210.05677v1
- Date: Tue, 11 Oct 2022 17:07:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 15:49:44.736532
- Title: Application of Deep Learning on Single-Cell RNA-sequencing Data
Analysis: A Review
- Title(参考訳): 深層学習の単細胞rna塩基配列解析への応用
- Authors: Matthew Brendel, Chang Su, Zilong Bai, Hao Zhang, Olivier Elemento,
Fei Wang
- Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は、数千の単細胞の遺伝子発現プロファイルを同時に定量するために日常的に使用される技術となっている。
人工知能の最近の進歩であるディープラーニングも、scRNA-seqデータ分析のための有望なツールとして登場した。
- 参考スコア(独自算出の注目度): 17.976898403296275
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Single-cell RNA-sequencing (scRNA-seq) has become a routinely used technique
to quantify the gene expression profile of thousands of single cells
simultaneously. Analysis of scRNA-seq data plays an important role in the study
of cell states and phenotypes, and has helped elucidate biological processes,
such as those occurring during development of complex organisms and improved
our understanding of disease states, such as cancer, diabetes, and COVID, among
others. Deep learning, a recent advance of artificial intelligence that has
been used to address many problems involving large datasets, has also emerged
as a promising tool for scRNA-seq data analysis, as it has a capacity to
extract informative, compact features from noisy, heterogeneous, and
high-dimensional scRNA-seq data to improve downstream analysis. The present
review aims at surveying recently developed deep learning techniques in
scRNA-seq data analysis, identifying key steps within the scRNA-seq data
analysis pipeline that have been advanced by deep learning, and explaining the
benefits of deep learning over more conventional analysis tools. Finally, we
summarize the challenges in current deep learning approaches faced within
scRNA-seq data and discuss potential directions for improvements in deep
algorithms for scRNA-seq data analysis.
- Abstract(参考訳): 単細胞RNAシークエンシング(scRNA-seq)は、数千の単細胞の遺伝子発現プロファイルを同時に定量するために日常的に使用される技術となっている。
scRNA-seqデータの解析は、細胞状態や表現型の研究において重要な役割を担い、複雑な生物の発達中に発生するような生物学的プロセスの解明を支援し、がん、糖尿病、COVIDなどの疾患状態の理解を改善してきた。
大規模なデータセットを含む多くの問題に対処するために最近開発された人工知能の進歩であるdeep learningも、ノイズ、異種、高次元のscrna-seqデータから情報的かつコンパクトな特徴を抽出し、下流解析を改善する能力を持つscrna-seqデータ分析の有望なツールとして登場した。
本稿では,最近開発されたscRNA-seqデータ解析の深層学習技術を調査し,ディープラーニングによって進歩したscRNA-seqデータ解析パイプライン内の重要なステップを特定し,従来の解析ツールよりもディープラーニングの利点を説明することを目的とする。
最後に、scRNA-seqデータにおける現在のディープラーニングアプローチの課題を要約し、scRNA-seqデータ解析のためのディープアルゴリズムの改善の可能性について論じる。
関連論文リスト
- Splicing Up Your Predictions with RNA Contrastive Learning [4.35360799431127]
我々は、代替スプライシング遺伝子複製によって生成された機能配列間の類似性を利用して、対照的な学習手法をゲノムデータに拡張する。
RNA半減期やリボソーム負荷予測などの下流タスクにおけるそれらの有用性を検証する。
学習された潜在空間の探索は、我々の対照的な目的が意味論的に意味のある表現をもたらすことを示した。
論文 参考訳(メタデータ) (2023-10-12T21:51:25Z) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳(メタデータ) (2023-10-04T10:30:08Z) - Fast and Functional Structured Data Generators Rooted in
Out-of-Equilibrium Physics [62.997667081978825]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳(メタデータ) (2023-07-13T15:08:44Z) - Knowledge from Large-Scale Protein Contact Prediction Models Can Be
Transferred to the Data-Scarce RNA Contact Prediction Task [40.051834115537474]
タンパク質共進化トランスフォーマーに基づくディープニューラルネットワークはRNA接触予測タスクに転送可能である。
実験により、転写学習によるRNA接触予測が大幅に改善されることが確認された。
以上の結果から, タンパク質の構造パターンはRNAに転移し, 新たな研究の道を開く可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-13T06:00:56Z) - RDesign: Hierarchical Data-efficient Representation Learning for
Tertiary Structure-based RNA Design [65.41144149958208]
本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。
我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。
RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
論文 参考訳(メタデータ) (2023-01-25T17:19:49Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳(メタデータ) (2021-11-05T02:54:06Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - Approximate kNN Classification for Biomedical Data [1.1852406625172218]
Single-cell RNA-seq (scRNA-seq) は、将来性はあるが重要な計算課題を持つDNAシークエンシング技術である。
scRNA-seqデータにおけるkNN分類のタスクに近似した近接探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-03T18:30:43Z) - Computational prediction of RNA tertiary structures using machine
learning methods [14.35527588241679]
計算予測アプローチはRNA構造とその安定化因子を理解するのに役立つ。
タンパク質関連分野におけるそれらの利用の歴史は長いが、RNA第3次構造を予測する機械学習手法は新しくて稀である。
論文 参考訳(メタデータ) (2020-09-03T04:01:43Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。