論文の概要: Predicting Future States with Spatial Point Processes in Single Molecule Resolution Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2401.02564v2
• Date: Wed, 05 Feb 2025 17:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:24:32.666007
• Title: Predicting Future States with Spatial Point Processes in Single Molecule Resolution Spatial Transcriptomics
• Title（参考訳）: 単一分子分解空間転写学における空間点過程の予測
• Authors: Biraaj Rout, Priyanshi Borad, Parisa Boodaghi Malidarreh, Mohammad Sadegh Nasr, Jillur Rahman Saurav, Kelli Fenelon, Jai Prakash Veerla, Jacob M. Luber, Theodora Koromila,
• Abstract要約: 我々はXGboostをベースとしたパイプラインを導入し,胚発生過程におけるショウジョウバエ後部 (AP) および背側-腹側 (DV) 軸における Sog-D 遺伝子 (活性細胞) によって発現される細胞の将来の分布を予測する。 XGboost モデルを用いて, 胚発生の各段階における細胞状態と連動して, リプリーのK-関数を含む空間的点過程を時間的に解決し, 活性細胞分布の予測精度を推定した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper, we introduce a pipeline based on XGboost 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. An XGboost 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,XGboostに基づくパイプラインを導入し,胚発生過程におけるショウジョウバエ前葉から後葉 (AP) および背側から腹側へ (DV) 軸において, Sog-D遺伝子 (活性細胞) によって発現される細胞の将来の分布を予測する。 この方法では、細胞と生物が超高分解能の胚空間転写学において、細胞内の単一分子分解においてどのように遺伝子発現を制御するかについての洞察を提供する。 XGboost モデルを用いて,前のモデルに基づいて次のステージの能動分布を予測した。 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-関数と細胞の状態とを連動させて時間的に解決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、空間的に解決された発達生物学におけるRNAベロシティと類似しており、あるデータポイントから空間的に解決された将来の遺伝子発現を空間的なプロセスの特徴を用いて予測することができる。

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。