論文の概要: scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data
- arxiv url: http://arxiv.org/abs/2312.10310v1
- Date: Sat, 16 Dec 2023 03:54:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:12:52.682186
- Title: scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data
- Title（参考訳）: scbignn:単細胞rnaシーケンシングデータからの細胞型分類のための2レベルグラフ表現学習
- Authors: Rui Yang, Wenrui Dai, Chenglin Li, Junni Zou, Dapeng Wu, Hongkai Xiong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.87454293046843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-cell RNA sequencing (scRNA-seq) technology provides high-throughput
gene expression data to study the cellular heterogeneity and dynamics of
complex organisms. Graph neural networks (GNNs) have been widely used for
automatic cell type classification, which is a fundamental problem to solve in
scRNA-seq analysis. However, existing methods do not sufficiently exploit both
gene-gene and cell-cell relationships, and thus the true potential of GNNs is
not realized. In this work, we propose a bilevel graph representation learning
method, named scBiGNN, to simultaneously mine the relationships at both gene
and cell levels for more accurate single-cell classification. Specifically,
scBiGNN comprises two GNN modules to identify cell types. A gene-level GNN is
established to adaptively learn gene-gene interactions and cell representations
via the self-attention mechanism, and a cell-level GNN builds on the cell-cell
graph that is constructed from the cell representations generated by the
gene-level GNN. To tackle the scalability issue for processing a large number
of cells, scBiGNN adopts an Expectation Maximization (EM) framework in which
the two modules are alternately trained via the E-step and M-step to learn from
each other. Through this interaction, the gene- and cell-level structural
information is integrated to gradually enhance the classification performance
of both GNN modules. Experiments on benchmark datasets demonstrate that our
scBiGNN outperforms a variety of existing methods for cell type classification
from scRNA-seq data.
- Abstract（参考訳）: シングルセルRNAシークエンシング(scRNA-seq)技術は、複雑な生物の細胞多様性と動態を研究するために、高スループットな遺伝子発現データを提供する。
グラフニューラルネットワーク(GNN)は、cRNA-seq解析において解決すべき根本的な問題である自動細胞型分類に広く用いられている。
しかし、既存の手法では遺伝子と細胞の関係を十分に活用できないため、gnnの真のポテンシャルは実現されていない。
本研究では,遺伝子と細胞レベルの関係を同時にマイニングし,より正確な単一細胞分類を行うための2レベルグラフ表現学習手法である scBiGNN を提案する。
具体的には、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。
遺伝子レベルgnnは、自己アテンション機構を介して遺伝子-遺伝子相互作用および細胞表現を適応的に学習するために確立され、遺伝子レベルgnnが生成する細胞表現から構築された細胞-細胞グラフ上に細胞レベルgnnが構築される。
多数のセルを処理するためのスケーラビリティ問題に取り組むために、scbignnはeステップとmステップで交互に2つのモジュールを訓練し、相互に学習する期待最大化(em)フレームワークを採用している。
この相互作用を通じて、遺伝子と細胞レベルの構造情報を統合し、GNNモジュールの分類性能を徐々に向上させる。
ベンチマークデータセットを用いた実験により,scbignnはscrna-seqデータから細胞型を分類する既存の手法よりも優れていることが示された。
関連論文リスト
- scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。
本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。
scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
論文 参考訳（メタデータ） (2024-08-09T09:10:36Z) - Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。
本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。
本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T16:42:08Z) - Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳（メタデータ） (2024-02-20T12:01:30Z) - 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) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
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。
論文 参考訳（メタデータ） (2023-10-04T10:30:08Z) - 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) - Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。
本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。
我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
論文 参考訳（メタデータ） (2022-02-13T10:54:59Z) - Multi-modal Self-supervised Pre-training for Regulatory Genome Across
Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。
我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文 参考訳（メタデータ） (2021-10-11T12:48:44Z) - 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)
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。