論文の概要: Deep Learning in Single-Cell Analysis

• arxiv url: http://arxiv.org/abs/2210.12385v1
• Date: Sat, 22 Oct 2022 08:26:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 18:41:06.535345
• Title: Deep Learning in Single-Cell Analysis
• Title（参考訳）: 単セル解析における深層学習
• Authors: Dylan Molho, Jiayuan Ding, Zhaoheng Li, Hongzhi Wen, Wenzhuo Tang, Yixin Wang, Julian Venegas, Wei Jin, Renming Liu, Runze Su, Patrick Danaher, Robert Yang, Yu Leo Lei, Yuying Xie, Jiliang Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 34.08722045363822
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single-cell technologies are revolutionizing the entire field of biology. The large volumes of data generated by single-cell technologies are high-dimensional, sparse, heterogeneous, and have complicated dependency structures, making analyses using conventional machine learning approaches challenging and impractical. In tackling these challenges, deep learning often demonstrates superior performance compared to traditional machine learning methods. In this work, we give a comprehensive survey on deep learning in single-cell analysis. We first introduce background on single-cell technologies and their development, as well as fundamental concepts of deep learning including the most popular deep architectures. We present an overview of the single-cell analytic pipeline pursued in research applications while noting divergences due to data sources or specific applications. We then review seven popular tasks spanning through different stages of the single-cell analysis pipeline, including multimodal integration, imputation, clustering, spatial domain identification, cell-type deconvolution, cell segmentation, and cell-type annotation. Under each task, we describe the most recent developments in classical and deep learning methods and discuss their advantages and disadvantages. Deep learning tools and benchmark datasets are also summarized for each task. Finally, we discuss the future directions and the most recent challenges. This survey will serve as a reference for biologists and computer scientists, encouraging collaborations.
• Abstract（参考訳）: 単細胞技術は生物学全般に革命をもたらしている。 単一セル技術が生成する大量のデータは、高次元でスパースで異質であり、複雑な依存関係構造を持ち、従来の機械学習手法を用いた解析は困難で実用的ではない。 これらの課題に取り組む中で、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。 本稿では,単細胞分析におけるディープラーニングの包括的調査を行う。 まず、シングルセル技術とその開発に関する背景と、最も人気のある深層アーキテクチャを含むディープラーニングの基本概念を紹介する。 本稿では,データソースや特定のアプリケーションによる相違点を指摘しながら,研究応用における単一セル解析パイプラインの概要を示す。 次に, マルチモーダル統合, インプット, クラスタリング, 空間領域同定, セル型デコンボリューション, セルセグメンテーション, セル型アノテーションなど, 単細胞分析パイプラインのさまざまな段階にまたがる7つのタスクについて検討する。 それぞれの課題について,古典的・深層学習手法の最近の展開について述べ,その利点と欠点について考察する。 ディープラーニングツールとベンチマークデータセットも各タスク用に要約されている。 最後に、今後の方向性と最新の課題について論じる。 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。

関連論文リスト

• Interpretable deep learning in single-cell omics [5.0934939727101565]
  単一セルオミクス技術の基本と解釈可能なディープラーニングの概念を紹介する。 続いて、様々な単細胞オミクス研究に適用された近年の解釈可能なディープラーニングモデルについてレビューする。
  論文  参考訳（メタデータ） (2024-01-11T23:59:37Z)
• 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)
• Regression-Based Analysis of Multimodal Single-Cell Data Integration Strategies [0.0]
  マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。 この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。 これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
  論文  参考訳（メタデータ） (2023-11-21T16:31:27Z)
• 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)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Foundations and Recent Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions [68.6358773622615]
  本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。 本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。 最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
  論文  参考訳（メタデータ） (2022-09-07T19:21:19Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• 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 Survey of Deep Learning for Scientific Discovery [13.372738220280317]
  私たちは、ディープラーニングにおけるコア問題における根本的なブレークスルーを、主にディープニューラルネットワークの進歩によって見てきた。 幅広い科学領域で収集されるデータの量は、サイズと複雑さの両方で劇的に増加しています。 これは、科学的な設定でディープラーニングを応用するための多くのエキサイティングな機会を示唆している。
  論文  参考訳（メタデータ） (2020-03-26T06:16:08Z)

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。