論文の概要: Latent Space Inference For Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2311.00330v1
• Date: Wed, 1 Nov 2023 06:50:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 14:31:51.677644
• Title: Latent Space Inference For Spatial Transcriptomics
• Title（参考訳）: 空間トランスクリプトークスのための潜時空間推論
• Authors: J. Ding, S.N. Zaman, P.Y. Chen, D. Wang
• Abstract要約: 組織サンプルの完全な遺伝子発現情報を得るための確率論的機械学習手法について検討する。 これは、変動機械学習手法を用いて、両方のデータセットを共同潜在空間表現にマッピングすることで実現される。 ここから、完全な遺伝学的および空間的情報をデコードし、細胞プロセスや経路の理解についてより深い洞察を与えることができる。
• 参考スコア（独自算出の注目度）: 0.196629787330046
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In order to understand the complexities of cellular biology, researchers are interested in two important metrics: the genetic expression information of cells and their spatial coordinates within a tissue sample. However, state-of-the art methods, namely single-cell RNA sequencing and image based spatial transcriptomics can only recover a subset of this information, either full genetic expression with loss of spatial information, or spatial information with loss of resolution in sequencing data. In this project, we investigate a probabilistic machine learning method to obtain the full genetic expression information for tissues samples while also preserving their spatial coordinates. This is done through mapping both datasets to a joint latent space representation with the use of variational machine learning methods. From here, the full genetic and spatial information can be decoded and to give us greater insights on the understanding of cellular processes and pathways.
• Abstract（参考訳）: 細胞生物学の複雑さを理解するために、研究者は、細胞の遺伝子情報と組織サンプル内の空間座標の2つの重要な指標に興味を持っている。 しかし、最先端の手法、すなわち単細胞rnaシークエンシングと画像ベースの空間転写学は、空間情報の損失を伴う完全な遺伝子の発現またはシークエンシングデータの解像度の低下を伴う空間情報のサブセットのみを回復することができる。 本稿では,組織サンプルの完全な遺伝子発現情報を得るための確率論的機械学習手法について検討し,空間座標も保存する。 これは、変動機械学習手法を用いて、両方のデータセットを共同潜在空間表現にマッピングすることで実現される。 ここから、完全な遺伝学的および空間的情報をデコードし、細胞プロセスや経路の理解についてより深い洞察を与えることができる。

関連論文リスト

• Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
  空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。 現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。 本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T00:32:24Z)
• Distance-Preserving Generative Modeling of Spatial Transcriptomics [0.0]
  本稿では,空間転写学における距離保存型生成モデルについて紹介する。 得られた空間情報を用いて、類似した対距離構造を持つ遺伝子表現の学習表現空間を正規化する。 我々のフレームワークは、遺伝子発現モデリングのためのあらゆる変分推論に基づく生成モデルとの互換性を付与する。
  論文  参考訳（メタデータ） (2024-08-01T21:04:27Z)
• stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement [1.3124513975412255]
  本研究では,トランスフォーマーアーキテクチャに基づくディープラーニング手法であるstEnTransを提案する。 stEnTransを6つのデータセット上で評価した結果, スポット分解能の向上と未測定領域での遺伝子発現の予測において, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-07-11T06:50:34Z)
• stMCDI: Masked Conditional Diffusion Model with Graph Neural Network for Spatial Transcriptomics Data Imputation [8.211887623977214]
  空間転写学データ計算のための新しい条件拡散モデルである textbfstMCDI を導入する。 ランダムにマスキングされたデータ部分を使ってトレーニングされたデノベーションネットワークをガイダンスとして使用し、非マスキングされたデータは条件として機能する。 空間転写学データセットから得られた結果は,既存の手法と比較して,本手法の性能を解明するものである。
  論文  参考訳（メタデータ） (2024-03-16T09:06:38Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• 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 Cells Are Spatial Tokens: Transformers for Spatial Transcriptomic Data Imputation [12.276966573615013]
  本稿では, セルレベル空間転写データのためのトランスフォーマーベースの計算フレームワークであるSpaFormerを提案する。 SpaFormerは3つの大規模データセット上で既存の最先端の計算アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T01:44:13Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)

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。