論文の概要: Kernel-Based Testing for Single-Cell Differential Analysis
- arxiv url: http://arxiv.org/abs/2307.08509v1
- Date: Mon, 17 Jul 2023 14:10:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 12:56:20.936119
- Title: Kernel-Based Testing for Single-Cell Differential Analysis
- Title（参考訳）: シングルセル差分解析のためのカーネルベーステスト
- Authors: Anthony Ozier-Lafontaine and Camille Fourneaux and Ghislain Durif and
C\'eline Vallot and Olivier Gandrillon and Sandrine Giraud and Bertrand
Michel and Franck Picard
- Abstract要約: カーネルテストは、分化する細胞の逆転過程を研究するために応用される。
単細胞ChIP-Seqデータを解析し,無治療乳がん細胞のサブポピュレーションを同定した。
- 参考スコア（独自算出の注目度）: 20.193679559836934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-cell technologies have provided valuable insights into the
distribution of molecular features, such as gene expression and epigenomic
modifications. However, comparing these complex distributions in a controlled
and powerful manner poses methodological challenges. Here we propose to benefit
from the kernel-testing framework to compare the complex cell-wise
distributions of molecular features in a non-linear manner based on their
kernel embedding. Our framework not only allows for feature-wise analyses but
also enables global comparisons of transcriptomes or epigenomes, considering
their intricate dependencies. By using a classifier to discriminate cells based
on the variability of their embedding, our method uncovers heterogeneities in
cell populations that would otherwise go undetected. We show that kernel
testing overcomes the limitations of differential analysis methods dedicated to
single-cell. Kernel testing is applied to investigate the reversion process of
differentiating cells, successfully identifying cells in transition between
reversion and differentiation stages. Additionally, we analyze single-cell
ChIP-Seq data and identify a subpopulation of untreated breast cancer cells
that exhibit an epigenomic profile similar to persister cells.
- Abstract（参考訳）: 単細胞技術は、遺伝子発現やエピジェノミック修飾のような分子の特徴の分布に関する貴重な洞察を与えてきた。
しかし、これらの複雑な分布を制御的かつ強力な方法で比較することは方法論的な課題をもたらす。
本稿では, 分子の複雑な分布を, カーネルの埋め込みに基づく非線形な方法で比較するカーネルテストフレームワークの利点を提案する。
本フレームワークでは,機能解析だけでなく,複雑な依存関係を考慮したトランスクリプトームやエピジェノムの国際比較も可能である。
分類器を用いて組込みの多様性に基づいて細胞を識別することにより, 検出されない細胞集団の多様性を明らかにする。
カーネルテストは単一セル専用の差分解析手法の限界を克服することを示した。
核試験は分化細胞の反転過程を調査し、再生段階と分化段階の移行過程における細胞同定に成功している。
さらに,単細胞チップ-seqデータを解析し,持続細胞に似たエピゲノミクスプロファイルを示す未処理乳癌細胞のサブポピュレーションを同定した。
関連論文リスト
- Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - 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) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳（メタデータ） (2023-11-28T08:34:58Z) - 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) - 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) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳（メタデータ） (2022-11-07T15:47:40Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳（メタデータ） (2022-10-18T21:15:10Z) - Topological Data Analysis in Time Series: Temporal Filtration and
Application to Single-Cell Genomics [13.173307471333619]
単細胞トポロジカル単純解析(scTSA)を提案する。
このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。
38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
論文 参考訳（メタデータ） (2022-04-29T12:46:14Z) - Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。
簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文 参考訳（メタデータ） (2022-01-18T21:40:36Z) - Distinguishing Cell Phenotype Using Cell Epigenotype [0.0]
顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。
既存の手法とは対照的に,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合でも,マクロ分子データから細胞型を予測する統一的なアプローチを開発する。
論文 参考訳（メタデータ） (2020-03-20T18:00:07Z)
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。