論文の概要: Must: Maximizing Latent Capacity of Spatial Transcriptomics Data
- arxiv url: http://arxiv.org/abs/2401.07543v1
- Date: Mon, 15 Jan 2024 09:07:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 17:32:20.965836
- Title: Must: Maximizing Latent Capacity of Spatial Transcriptomics Data
- Title（参考訳）: Must: 空間的トランスクリプトミクスデータの潜在能力の最大化
- Authors: Zelin Zang, Liangyu Li, Yongjie Xu, Chenrui Duan, Kai Wang, Yang You,
Yi Sun, Stan Z. Li
- Abstract要約: 本稿では,この課題に対処する新しい手法である MuST について述べる。
STデータに含まれるマルチモダリティ情報を一様潜在空間に効果的に統合し、下流の全てのタスクの基礎を提供する。
その結果, 組織やバイオマーカーの構造を正確に同定し, 保存する上で, 既存の最先端手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 41.70354088000952
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial transcriptomics (ST) technologies have revolutionized the study of
gene expression patterns in tissues by providing multimodality data in
transcriptomic, spatial, and morphological, offering opportunities for
understanding tissue biology beyond transcriptomics. However, we identify the
modality bias phenomenon in ST data species, i.e., the inconsistent
contribution of different modalities to the labels leads to a tendency for the
analysis methods to retain the information of the dominant modality. How to
mitigate the adverse effects of modality bias to satisfy various downstream
tasks remains a fundamental challenge. This paper introduces Multiple-modality
Structure Transformation, named MuST, a novel methodology to tackle the
challenge. MuST integrates the multi-modality information contained in the ST
data effectively into a uniform latent space to provide a foundation for all
the downstream tasks. It learns intrinsic local structures by topology
discovery strategy and topology fusion loss function to solve the
inconsistencies among different modalities. Thus, these topology-based and deep
learning techniques provide a solid foundation for a variety of analytical
tasks while coordinating different modalities. The effectiveness of MuST is
assessed by performance metrics and biological significance. The results show
that it outperforms existing state-of-the-art methods with clear advantages in
the precision of identifying and preserving structures of tissues and
biomarkers. MuST offers a versatile toolkit for the intricate analysis of
complex biological systems.
- Abstract（参考訳）: 空間転写学 (Spatial transcriptomics, ST) 技術は、組織における遺伝子発現パターンの研究に革命をもたらし、転写学、空間学、形態学における多様性データを提供し、転写学以外の組織生物学を理解する機会を提供する。
しかし,STデータ種におけるモダリティバイアス現象,すなわちラベルに対する異なるモダリティの矛盾した寄与は,解析手法が支配的モダリティの情報を保持する傾向を呈する。
様々な下流タスクを満足させるモダリティバイアスの悪影響を緩和する方法は、依然として基本的な課題である。
本稿では,課題に取り組むための新しい手法である must という多重モダリティ構造変換を提案する。
MuSTはSTデータに含まれる多モード情報を一様潜在空間に効果的に統合し、下流の全てのタスクの基礎を提供する。
トポロジー発見戦略とトポロジー融合損失関数を用いて固有局所構造を学習し、異なるモード間の不整合を解決する。
したがって、これらのトポロジーベースおよびディープラーニング技術は、異なるモダリティをコーディネートしながら、さまざまな分析タスクの強固な基盤を提供する。
MuSTの有効性は、性能指標と生物学的意義によって評価される。
その結果, 組織やバイオマーカーの構造を同定・保存する精度において, 既存の最先端手法よりも優れていることがわかった。
MuSTは複雑な生物学的システムの複雑な解析のための多用途ツールキットを提供する。
関連論文リスト
- MVKTrans: Multi-View Knowledge Transfer for Robust Multiomics Classification [14.533025681231294]
そこで本研究では,生物内および生物間知識を適応的に伝達する多視点知識伝達学習フレームワークを提案する。
具体的には、未ラベルデータに基づいて訓練されたグラフコントラストモジュールを設計し、基礎となるオミクス内パターンを教師付きタスクに効果的に学習し、転送する。
異なる疾患および/またはサンプルにおけるモダリティの識別能力の変化を考慮して, 適応型および双方向のクロスオミクス蒸留モジュールを導入する。
論文 参考訳（メタデータ） (2024-11-13T15:45:46Z) - Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。
現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。
本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T00:32:24Z) - PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis [1.1619559582563954]
空間多モードオミクス解析(PRAGA)のための空間多モードオミクス解決フレームワークPRototype-Aware Graph Adaptative Aggregationを提案する。
PRAGAは動的グラフを構築し、潜在意味関係を捉え、空間情報と特徴意味論を包括的に統合する。
学習可能なグラフ構造は、クロスモーダルな知識を学習することで摂動を損なうこともできる。
論文 参考訳（メタデータ） (2024-09-19T12:53:29Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ
我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文 参考訳（メタデータ） (2024-07-08T01:06:13Z) - Multimodal Cross-Task Interaction for Survival Analysis in Whole Slide Pathological Images [10.996711454572331]
病理像とゲノムプロファイルを利用した生存予測は、癌解析と予後においてますます重要である。
既存のマルチモーダル手法は、補完的な情報を統合するためのアライメント戦略に依存していることが多い。
本稿では,サブタイプ分類と生存分析タスクの因果関係を明らかにするために,MCTI(Multimodal Cross-Task Interaction)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-25T02:18:35Z) - 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) - Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。
我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。
データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
論文 参考訳（メタデータ） (2024-02-06T02:29:17Z) - Multimodal Optimal Transport-based Co-Attention Transformer with Global
Structure Consistency for Survival Prediction [5.445390550440809]
生存予測(Survival prediction)は、死亡リスクの予測を目的とした複雑な順序回帰タスクである。
病理画像の大きさが大きいため、スライド画像全体(WSI)を効果的に表現することは困難である。
組織学における腫瘍微小環境(TME)内の相互作用は生存分析に不可欠である。
論文 参考訳（メタデータ） (2023-06-14T08:01:24Z)
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。