論文の概要: Predicting Future States with Spatial Point Processes in Single Molecule
Resolution Spatial Transcriptomics
- arxiv url: http://arxiv.org/abs/2401.02564v1
- Date: Thu, 4 Jan 2024 22:37:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-08 16:41:11.957492
- Title: Predicting Future States with Spatial Point Processes in Single Molecule
Resolution Spatial Transcriptomics
- Title(参考訳): 単一分子分解能空間転写学における空間点過程による未来状態の予測
- Authors: Parisa Boodaghi Malidarreh, Biraaj Rout, Mohammad Sadegh Nasr,
Priyanshi Borad, Jillur Rahman Saurav, Jai Prakash Veerla, Kelli Fenelon,
Theodora Koromila, Jacob M. Luber
- Abstract要約: ショウジョウバエの胚発生過程において,前葉から後葉(AP)および背側から腹側へ(DV)軸に発現するSog-D遺伝子(活性細胞)が発現する細胞の将来の分布を予測するために,ランダムフォレスト回帰に基づくパイプラインを導入する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we introduce a pipeline based on Random Forest Regression to
predict the future distribution of cells that are expressed by the Sog-D gene
(active cells) in both the Anterior to posterior (AP) and the Dorsal to Ventral
(DV) axis of the Drosophila in embryogenesis process. This method provides
insights about how cells and living organisms control gene expression in super
resolution whole embryo spatial transcriptomics imaging at sub cellular, single
molecule resolution. A Random Forest Regression model was used to predict the
next stage active distribution based on the previous one. To achieve this goal,
we leveraged temporally resolved, spatial point processes by including Ripley's
K-function in conjunction with the cell's state in each stage of embryogenesis,
and found average predictive accuracy of active cell distribution. This tool is
analogous to RNA Velocity for spatially resolved developmental biology, from
one data point we can predict future spatially resolved gene expression using
features from the spatial point processes.
- Abstract(参考訳): 本稿では,胚発生過程においてショウジョウバエの前後葉(ap)および背側腹側(dv)軸の両方においてsog-d遺伝子(活性細胞)によって発現される細胞の将来分布を予測するために,ランダムフォレスト回帰に基づくパイプラインを提案する。
この方法により、スーパーレゾリューション全胚空間転写酵素イメージングにおける細胞と生物が遺伝子発現をどのように制御するかについての洞察が得られる。
ランダムフォレスト回帰モデルを用いて、前のモデルに基づいて次のステージのアクティブ分布を予測した。
この目的を達成するために, 胚発生の各段階において, リプリーのK-関数を細胞の状態と組み合わせることで時間分解された空間的点過程を利用し, 活性細胞分布の予測精度を推定した。
このツールは、空間分解型発達生物学におけるrna速度と類似しており、あるデータポイントから、空間分解型遺伝子の発現を空間点過程の特徴を用いて予測できる。
関連論文リスト
- GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。
このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。
また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文 参考訳(メタデータ) (2025-02-11T05:39:49Z) - Boundary-Guided Learning for Gene Expression Prediction in Spatial Transcriptomics [7.763803040383128]
本稿では,病理画像から抽出した境界情報を手がかりとして,BG-TRIPLEXというフレームワークを提案する。
我々のフレームワークはピアソン相関係数(PCC)で既存の手法を一貫して上回っている
本手法は,WSIと遺伝子発現の複雑な相互作用を理解する上で,境界機能の重要性を強調している。
論文 参考訳(メタデータ) (2024-12-05T11:09:11Z) - 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) - Analyzing scRNA-seq data by CCP-assisted UMAP and t-SNE [0.0]
相関クラスタリングとプロジェクション(CCP)は、cRNA-seqデータを前処理する有効な方法として導入された。
CCPは、行列対角化を必要としないデータドメインアプローチである。
8つの公開データセットを使用することで、CCPは UMAP と t-SNE の可視化を大幅に改善することがわかった。
論文 参考訳(メタデータ) (2023-06-23T19:15:43Z) - UNADON: Transformer-based model to predict genome-wide chromosome
spatial position [2.3980064191633232]
UNADONと呼ばれるトランスフォーマーに基づく新しいディープラーニングモデルを開発した。
特定のタイプの核体へのゲノム全体の細胞学的距離を予測する。
核体への大規模な区画化に影響を及ぼす潜在的な配列とエピジェノミクス因子を明らかにする。
論文 参考訳(メタデータ) (2023-04-26T01:30:50Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳(メタデータ) (2022-11-07T15:47:40Z) - Spatial Transcriptomics Dimensionality Reduction using Wavelet Bases [0.76146285961466]
空間構造を保持する遺伝子発現次元減少アルゴリズムを提案する。
ウェーブレット変換と行列分解を組み合わせ、空間的に変化する遺伝子を選択する。
グローバル空間パターンをキャプチャする抽出された表現遺伝子を可視化する。
論文 参考訳(メタデータ) (2022-05-19T04:13:51Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳(メタデータ) (2021-11-24T16:29:03Z) - Developmental Stage Classification of EmbryosUsing Two-Stream Neural
Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。
従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。
2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文 参考訳(メタデータ) (2021-07-13T19:56:01Z) - Split and Expand: An inference-time improvement for Weakly Supervised
Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。
Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。
拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文 参考訳(メタデータ) (2020-07-21T14:05:09Z)
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。