論文の概要: Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters

• arxiv url: http://arxiv.org/abs/2311.17103v1
• Date: Tue, 28 Nov 2023 08:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 00:08:02.325601
• Title: Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters
• Title（参考訳）: 未知数のクラスタによるコミュニティ検出によるシングルセルマルチビュークラスタリング
• Authors: Dayu Hu, Zhibin Dong, Ke Liang, Jun Wang, Siwei Wang and Xinwang Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.31109141089598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-cell multi-view clustering enables the exploration of cellular heterogeneity within the same cell from different views. Despite the development of several multi-view clustering methods, two primary challenges persist. Firstly, most existing methods treat the information from both single-cell RNA (scRNA) and single-cell Assay of Transposase Accessible Chromatin (scATAC) views as equally significant, overlooking the substantial disparity in data richness between the two views. This oversight frequently leads to a degradation in overall performance. Additionally, the majority of clustering methods necessitate manual specification of the number of clusters by users. However, for biologists dealing with cell data, precisely determining the number of distinct cell types poses a formidable challenge. To this end, we introduce scUNC, an innovative multi-view clustering approach tailored for single-cell data, which seamlessly integrates information from different views without the need for a predefined number of clusters. The scUNC method comprises several steps: initially, it employs a cross-view fusion network to create an effective embedding, which is then utilized to generate initial clusters via community detection. Subsequently, the clusters are automatically merged and optimized until no further clusters can be merged. We conducted a comprehensive evaluation of scUNC using three distinct single-cell datasets. The results underscored that scUNC outperforms the other baseline methods.
• Abstract（参考訳）: 単一セルのマルチビュークラスタリングは、異なる視点から同一セル内の細胞不均一性を探索することができる。 複数のマルチビュークラスタリング手法の開発にもかかわらず、2つの主要な課題が続いている。 第一に、既存のほとんどの方法では、単細胞rna(scrna)と単細胞アッセイの両方のトランスポターゼアクセスクロマチン(scatac)ビューからの情報を等しく重要視しており、2つのビュー間のデータ豊かさの実質的な差を見渡している。 この見落としは、しばしば全体的なパフォーマンスの低下につながる。 さらに、クラスタリング手法の大部分は、ユーザによるクラスタ数を手動で指定する必要がある。 しかし、細胞データを扱う生物学者にとって、異なる種類の細胞を正確に決定することは大きな課題となる。 そこで本稿では,クラスタ数を事前に定義することなく,異なるビューからの情報をシームレスに統合する,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を紹介する。 scUNC法はいくつかのステップで構成されており、最初はクロスビュー融合ネットワークを使用して効果的な埋め込みを作成し、その後コミュニティ検出を通じて初期クラスタを生成する。 その後、クラスタがマージされずに自動的にマージされ、最適化される。 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。 結果は、 scUNCが他のベースラインメソッドより優れていることを強調した。

関連論文リスト

• HBIC: A Biclustering Algorithm for Heterogeneous Datasets [0.0]
  Biclusteringは、データマトリックス内で行と列を同時にクラスタすることを目的とした、教師なしの機械学習アプローチである。 複素異種データから有意義なビクラスタを発見することが可能な,HBICと呼ばれるビクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:48:10Z)
• scGHSOM: Hierarchical clustering and visualization of single-cell and CRISPR data using growing hierarchical SOM [0.8452349885923507]
  階層型自己組織化マップ (GHSOM) を育成するアン教師なしクラスタリングによる包括的遺伝子セル依存性の可視化を提案する。 GHSOMは、クラスタの自己成長構造が必要な変動を満足するように階層構造でクラスタサンプルに適用される。 本稿では,クラスタ特徴マップとクラスタ分布マップの2つの革新的な可視化ツールを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:01:09Z)
• Joint Analysis of Single-Cell Data across Cohorts with Missing Modalities [13.675134007270774]
  ドメインシフトの下で統一的なセル表現を学習する新しいフレームワークであるSingle-Cell Cross-Cohort Cross-Categoryを提案する。 我々の生成的アプローチは、これらの欠落したモダリティの計算を可能にする、リッチなクロスモーダルとクロスドメインの関係を学習する。
  論文  参考訳（メタデータ） (2024-05-18T12:32:21Z)
• 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)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• scICML: Information-theoretic Co-clustering-based Multi-view Learning for the Integrative Analysis of Single-cell Multi-omics data [0.0]
  マルチオミクス・シングルセルデータ統合のための情報理論を用いたマルチビュー学習法(scICML)を開発した。 scICMLは共同クラスタリングを使用して、データのビュー毎に同様の機能を集約し、セルの共通クラスタリングパターンを明らかにする。 実世界の4つのデータセットに対する実験により、SCICMLは全体のクラスタリング性能を改善し、末梢血単核球のデータ解析に関する生物学的知見を提供することが示された。
  論文  参考訳（メタデータ） (2022-05-19T12:41:55Z)
• Deep Incomplete Multi-View Multiple Clusterings [41.43164409639238]
  データビューと複数の共有表現を同時に補完する、深い不完全なマルチビュー多重クラスタリングフレームワークを導入する。 ベンチマークデータセットの実験では、DiMVMCは、多様性と品質の高い複数のクラスタリングの生成において、最先端の競合よりも優れていることが確認されている。
  論文  参考訳（メタデータ） (2020-10-02T08:01:24Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。