論文の概要: Single-Cell Clustering via Dual-Graph Alignment

• arxiv url: http://arxiv.org/abs/2311.17104v1
• Date: Tue, 28 Nov 2023 09:14:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 00:08:24.989297
• Title: Single-Cell Clustering via Dual-Graph Alignment
• Title（参考訳）: デュアルグラフアライメントによるシングルセルクラスタリング
• Authors: Dayu Hu, Ke Liang, Xinwang Liu
• Abstract要約: この研究は、正確な細胞サブポピュレーションを取得し、実際の生物学的シナリオによく似たクラスタリング結果を生成することに寄与する。 疾患細胞の特徴と分布に関するより良い洞察を与え、最終的に早期疾患の診断と治療の基礎を構築する。
• 参考スコア（独自算出の注目度）: 52.101271374747995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the field of single-cell RNA sequencing has seen a surge in the development of clustering methods. These methods enable the identification of cell subpopulations, thereby facilitating the understanding of tumor microenvironments. Despite their utility, most existing clustering algorithms primarily focus on the attribute information provided by the cell matrix or the network structure between cells, often neglecting the network between genes. This oversight could lead to loss of information and clustering results that lack clinical significance. To address this limitation, we develop an advanced single-cell clustering model incorporating dual-graph alignment, which integrates gene network information into the clustering process based on self-supervised and unsupervised optimization. Specifically, we designed a graph-based autoencoder enhanced by an attention mechanism to effectively capture relationships between cells. Moreover, we performed the node2vec method on Protein-Protein Interaction (PPI) networks to derive the gene network structure and maintained this structure throughout the clustering process. Our proposed method has been demonstrated to be effective through experimental results, showcasing its ability to optimize clustering outcomes while preserving the original associations between cells and genes. This research contributes to obtaining accurate cell subpopulations and generates clustering results that more closely resemble real-world biological scenarios. It provides better insights into the characteristics and distribution of diseased cells, ultimately building a foundation for early disease diagnosis and treatment.
• Abstract（参考訳）: 近年、シングルセルRNAシークエンシングの分野はクラスタリング法の開発が急増している。 これらの方法は細胞亜集団の同定を可能にし、腫瘍の微小環境の理解を容易にする。 その実用性にもかかわらず、既存のクラスタリングアルゴリズムのほとんどは、主に細胞マトリックスまたは細胞間のネットワーク構造が提供する属性情報に焦点を当て、しばしば遺伝子間のネットワークを無視している。 この監視は、臨床的な重要性に欠ける情報とクラスタリングの結果を失う可能性がある。 この制限に対処するため,遺伝子ネットワーク情報を自己監督的かつ教師なし最適化に基づくクラスタリングプロセスに統合する,デュアルグラフアライメントを組み込んだ高度な単一セルクラスタリングモデルを開発した。 具体的には,セル間の関係を効果的に捉えるために注意機構によって拡張されたグラフベースのオートエンコーダを設計した。 さらに, 遺伝子ネットワーク構造を導出するために, タンパク質間相互作用(ppi)ネットワークのnode2vec法を実施し, この構造をクラスタリングプロセスを通じて維持した。 提案手法は, 細胞と遺伝子との関係を保ちながら, クラスタリング結果の最適化能力を示す実験により有効であることが実証された。 この研究は、正確な細胞亜集団の獲得に寄与し、より実世界の生物学的シナリオによく似たクラスタリング結果を生成する。 疾患細胞の特徴と分布に関するより良い洞察を与え、最終的に早期疾患の診断と治療の基礎を構築する。

関連論文リスト

• HistoSmith: Single-Stage Histology Image-Label Generation via Conditional Latent Diffusion for Enhanced Cell Segmentation and Classification [0.19791587637442667]
  本研究は, 画像ラベルペア生成のための新しい単一ステージアプローチを導入し, 組織学データセットを増強する。 ラベル生成と画像生成を分離した拡散モデルを用いる最先端の手法とは異なり,本手法では遅延拡散モデルを用いる。 このモデルは、細胞タイプ、量、組織タイプなどのユーザ定義パラメータを条件付けすることで、データ生成の調整を可能にする。
  論文  参考訳（メタデータ） (2025-02-12T19:51:41Z)
• 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)
• 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)
• 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)
• 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)
• Graph Neural Network approaches for single-cell data: A recent overview [0.3277163122167433]
  グラフニューラルネットワーク(GNN)は、遺伝子と細胞間の深いつながりを明らかにすることで、生医学と病気の理解を再構築している。 近年,シングルセルデータに適したGNN手法が注目されている。 このレビューは、GNNがシングルセル分析の中心となる未来を予測している。
  論文  参考訳（メタデータ） (2023-10-14T11:09:17Z)
• Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms [7.229065627904531]
  この研究は、セルコンポーネントのオーケストレーションと相互作用をプロファイリングするための、ローカルグラフとグローバルグラフをハイブリッドする最初の試みの一つである。 提案アルゴリズムは,繰り返し5倍のクロスバリデーション方式を用いて0.703の平均診断精度を実現する。
  論文  参考訳（メタデータ） (2021-06-30T16:09:32Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A Novel Granular-Based Bi-Clustering Method of Deep Mining the Co-Expressed Genes [76.84066556597342]
  ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。 残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。 本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T02:04:40Z)

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。