論文の概要: scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain

• arxiv url: http://arxiv.org/abs/2310.02713v1
• Date: Wed, 4 Oct 2023 10:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 15:41:49.248350
• Title: scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain
• Title（参考訳）: scHyena:脳における全長シングルセルRNAシーク解析の基礎モデル
• Authors: Gyutaek Oh, Baekgyu Choi, Inkyung Jung, and Jong Chul Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.39828178736219
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) has made significant strides in unraveling the intricate cellular diversity within complex tissues. This is particularly critical in the brain, presenting a greater diversity of cell types than other tissue types, to gain a deeper understanding of brain function within various cellular contexts. However, analyzing scRNA-seq data remains a challenge due to inherent measurement noise stemming from dropout events and the limited utilization of extensive gene expression information. In this work, we introduce scHyena, a foundation model designed to address these challenges and enhance the accuracy of scRNA-seq analysis in the brain. Specifically, inspired by the recent Hyena operator, we design a novel Transformer architecture called singe-cell Hyena (scHyena) that is equipped with a linear adaptor layer, the positional encoding via gene-embedding, and a {bidirectional} Hyena operator. This enables us to process full-length scRNA-seq data without losing any information from the raw data. In particular, our model learns generalizable features of cells and genes through pre-training scHyena using the full length of scRNA-seq data. We demonstrate the superior performance of scHyena compared to other benchmark methods in downstream tasks, including cell type classification and scRNA-seq imputation.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は、複雑な組織内の複雑な細胞多様性の解明に大きく貢献している。 これは脳において特に重要であり、他の組織型よりも多様な細胞型を示し、様々な細胞コンテキストにおける脳機能のより深い理解を得る。 しかし、scRNA-seqデータの解析は、ドロップアウト現象に起因する固有の測定ノイズと、広範な遺伝子発現情報の限定的利用のため、依然として課題である。 本研究では,これらの課題に対処し,脳内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。 具体的には,近年のハイエナ演算子に触発されて,線形適応層,遺伝子埋め込みによる位置符号化,双方向ハイエナ演算子を備えた,Singe-cell Hyena(scHyena)と呼ばれるトランスフォーマーアーキテクチャを設計する。 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。 特に, このモデルでは, scRNA-seq データの完全長を用いて, scHyena の事前学習により, 細胞および遺伝子の一般化可能な特徴を学習する。 セル型分類やscRNA-seq計算を含む下流タスクにおける他のベンチマーク手法と比較して, scHyenaの優れた性能を示す。

関連論文リスト

• RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching [0.0]
  本研究では,フローマッチング,すなわちRNACGに基づく普遍的なRNA配列生成モデルを開発する。 RNACGは様々な条件入力に対応でき、可搬性があり、ユーザーは条件入力のために符号化ネットワークをカスタマイズできる。 RNACGは、シーケンス生成およびプロパティ予測タスクに広範な適用性を示す。
  論文  参考訳（メタデータ） (2024-07-29T09:46:46Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• scCDCG: Efficient Deep Structural Clustering for single-cell RNA-seq via Deep Cut-informed Graph Embedding [12.996418312603284]
  scCDCG (Single-cell RNA-seq Clustering via Deep Cut-informed Graph)は、cRNA-seqデータの効率的かつ正確なクラスタリングを目的とした新しいフレームワークである。 scCDCGは3つの主要な構成要素から構成される: (i) 細胞間高次構造情報を効果的にキャプチャするディープカットインフォームド技術を利用したグラフ埋め込みモジュール。 (II)cRNA-seqデータの特異な複雑さに対応するため,最適なトランスポートによって誘導される自己教師型学習モジュール。
  論文  参考訳（メタデータ） (2024-04-09T09:46:17Z)
• 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)
• xTrimoGene: An Efficient and Scalable Representation Learner for Single-Cell RNA-Seq Data [45.043516102428676]
  我々は、xTrimoGene$alpha$(略してxTrimoGene)と呼ばれる、cRNA-seqデータのための新しい非対称エンコーダデコーダトランスを提案する。 xTrimoGeneは、高い精度を維持しながら、古典的なトランスフォーマーと比較して、FLOPを1～2桁削減する。 また,モデルサイズをスケールアップすることで,xTrimoGeneの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-11-26T01:23:01Z)
• HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution [76.97231739317259]
  本稿では,ヒト参照ゲノム上に,最大100万個のトークンを単一ヌクレオチドレベルで有するゲノム基盤モデルであるHyenaDNAについて紹介する。 Nucleotide Transformerの微調整されたベンチマークでは、HyenaDNAが18のデータセットのうち12の最先端(SotA)に到達した。
  論文  参考訳（メタデータ） (2023-06-27T20:46:34Z)
• Optirank: classification for RNA-Seq data with optimal ranking reference genes [0.0]
  そこで我々は,ロジスティック回帰モデルであるOptiicrankを提案し,モデルと遺伝子のパラメータを同時に学習し,ランキングの基準セットとして使用する。 また、列車データと試験データの間に異なる種類の分散シフトを示す実際の分類タスクについても検討する。
  論文  参考訳（メタデータ） (2023-01-11T10:49:06Z)
• 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)
• 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)
• 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。