論文の概要: Revolutionizing Single Cell Analysis: The Power of Large Language Models
for Cell Type Annotation
- arxiv url: http://arxiv.org/abs/2304.02697v1
- Date: Wed, 5 Apr 2023 18:45:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 16:20:30.618376
- Title: Revolutionizing Single Cell Analysis: The Power of Large Language Models
for Cell Type Annotation
- Title(参考訳): 単一細胞解析の革命:細胞型アノテーションのための大規模言語モデルの力
- Authors: Zehua Zeng and Hongwu Du
- Abstract要約: ChatGPTやNew Bingのような大規模な言語モデルは、細胞型の正確なアノテーションを提供する。
単一細胞データのアノテートにChatGPTを用いることで、レア細胞型を機能に関連付けることができる。
これは、がんの進行、哺乳類の発達、幹細胞の分化を理解する上で重要な応用となる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, single cell RNA sequencing has become a widely used
technique to study cellular diversity and function. However, accurately
annotating cell types from single cell data has been a challenging task, as it
requires extensive knowledge of cell biology and gene function. The emergence
of large language models such as ChatGPT and New Bing in 2023 has
revolutionized this process by integrating the scientific literature and
providing accurate annotations of cell types. This breakthrough enables
researchers to conduct literature reviews more efficiently and accurately, and
can potentially uncover new insights into cell type annotation. By using
ChatGPT to annotate single cell data, we can relate rare cell type to their
function and reveal specific differentiation trajectories of cell subtypes that
were previously overlooked. This can have important applications in
understanding cancer progression, mammalian development, and stem cell
differentiation, and can potentially lead to the discovery of key cells that
interrupt the differentiation pathway and solve key problems in the life
sciences. Overall, the future of cell type annotation in single cell data looks
promising and the Large Language model will be an important milestone in the
history of single cell analysis.
- Abstract(参考訳): 近年、単細胞RNAシークエンシングは細胞多様性と機能を研究するために広く用いられている技術となっている。
しかし、細胞生物学や遺伝子機能に関する広範な知識を必要とするため、単一細胞データから正確に細胞型をアノテートすることは難しい課題であった。
2023年にchatgptやnew bingといった大規模な言語モデルが出現し、科学文献を統合し、細胞タイプの正確なアノテーションを提供することで、このプロセスに革命をもたらした。
このブレークスルーにより、研究者は文学レビューをより効率的に正確に実行でき、細胞型アノテーションに関する新たな洞察を発見できる可能性がある。
単一細胞のアノテートにChatGPTを用いることで、レア細胞型を機能に関連付け、これまで見落とされた細胞サブタイプの特異的な分化軌跡を明らかにすることができる。
これは、がんの進行、哺乳類の発達、幹細胞の分化を理解する上で重要な応用となり、分化経路を阻害し生命科学の重要な問題を解決する鍵細胞の発見に繋がる可能性がある。
全体として、単一セルデータにおける細胞型アノテーションの将来は期待でき、大規模言語モデルは単一セル解析の歴史において重要なマイルストーンとなるだろう。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - scInterpreter: Training Large Language Models to Interpret scRNA-seq
Data for Cell Type Annotation [15.718901418627366]
本研究は、単一細胞RNAシークエンシングデータにおいて、細胞型を解釈し、区別する機能を備えた大規模言語モデルの訓練および適応方法に焦点を当てる。
論文 参考訳(メタデータ) (2024-02-18T05:39:00Z) - ChatCell: Facilitating Single-Cell Analysis with Natural Language [40.4429032376233]
ChatCellは、自然言語による単一セル分析を容易にするツールである。
ChatCellは単細胞生物学の深い専門知識を得た。
プロジェクトのホームページはhttps://zjunlp.io/project/ChatCell.orgで公開されています。
論文 参考訳(メタデータ) (2024-02-13T09:06:14Z) - 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) - 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) - 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) - Topology-Guided Multi-Class Cell Context Generation for Digital
Pathology [28.43244574309888]
空間統計学とトポロジカルデータ解析の数学的ツールをいくつか紹介する。
高品質なマルチクラスセルレイアウトを初めて生成する。
トポロジに富んだセルレイアウトは,データ拡張やセル分類などの下流タスクの性能向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-04-05T07:01:34Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳(メタデータ) (2023-03-23T08:57:11Z) - A biology-driven deep generative model for cell-type annotation in
cytometry [0.0]
Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。
Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。
さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
論文 参考訳(メタデータ) (2022-08-11T10:50:44Z) - 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)
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。