論文の概要: Interpretable deep learning in single-cell omics

• arxiv url: http://arxiv.org/abs/2401.06823v1
• Date: Thu, 11 Jan 2024 23:59:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 10:01:13.238227
• Title: Interpretable deep learning in single-cell omics
• Title（参考訳）: 単一セルオミックにおける解釈可能な深層学習
• Authors: Manoj M Wagle, Siqu Long, Carissa Chen, Chunlei Liu, Pengyi Yang
• Abstract要約: 単一セルオミクス技術の基本と解釈可能なディープラーニングの概念を紹介する。 続いて、様々な単細胞オミクス研究に適用された近年の解釈可能なディープラーニングモデルについてレビューする。
• 参考スコア（独自算出の注目度）: 5.0934939727101565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developments in single-cell omics technologies have enabled the quantification of molecular profiles in individual cells at an unparalleled resolution. Deep learning, a rapidly evolving sub-field of machine learning, has instilled a significant interest in single-cell omics research due to its remarkable success in analysing heterogeneous high-dimensional single-cell omics data. Nevertheless, the inherent multi-layer nonlinear architecture of deep learning models often makes them `black boxes' as the reasoning behind predictions is often unknown and not transparent to the user. This has stimulated an increasing body of research for addressing the lack of interpretability in deep learning models, especially in single-cell omics data analyses, where the identification and understanding of molecular regulators are crucial for interpreting model predictions and directing downstream experimental validations. In this work, we introduce the basics of single-cell omics technologies and the concept of interpretable deep learning. This is followed by a review of the recent interpretable deep learning models applied to various single-cell omics research. Lastly, we highlight the current limitations and discuss potential future directions. We anticipate this review to bring together the single-cell and machine learning research communities to foster future development and application of interpretable deep learning in single-cell omics research.
• Abstract（参考訳）: 近年の単細胞オミクス技術の発展により、個々の細胞の分子プロファイルを非並列分解能で定量化できるようになった。 機械学習の急速に発展するサブフィールドであるdeep learningは、異種高次元のシングルセルオミックデータを解析することに成功したため、シングルセルオミック研究に多大な関心を寄せている。 それにもかかわらず、ディープラーニングモデルの固有の多層非線形アーキテクチャは、予測の背後にある理由が不明であり、ユーザには透明ではないため、しばしば'ブラックボックス'となる。 これにより、深層学習モデルの解釈可能性の欠如、特に分子レギュレータの同定と理解がモデル予測の解釈と下流実験検証の指示に不可欠であるシングルセルオミクスデータ解析に対する研究が活発化している。 本研究では,単一セルオミクス技術の基本と解釈可能なディープラーニングの概念を紹介する。 続いて、様々なシングルセルオミック研究に適用される最近の解釈可能なディープラーニングモデルについてレビューする。 最後に、現在の制限を強調し、今後の方向性について論じる。 本レビューは,単細胞・機械学習研究コミュニティを統合して,単細胞オミクス研究における解釈可能な深層学習の今後の発展と応用を促進することを期待する。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• 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)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• 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)
• Deep Learning in Single-Cell Analysis [34.08722045363822]
  単細胞技術は生物学全般に革命をもたらしている。 ディープラーニングは、従来の機械学習手法よりも優れたパフォーマンスを示すことが多い。 この調査は生物学者やコンピュータ科学者の参考となり、コラボレーションを奨励する。
  論文  参考訳（メタデータ） (2022-10-22T08:26:41Z)
• Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
  Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。 簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
  論文  参考訳（メタデータ） (2022-01-18T21:40:36Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。