論文の概要: HemaGraph: Breaking Barriers in Hematologic Single Cell Classification with Graph Attention

• arxiv url: http://arxiv.org/abs/2402.18611v1
• Date: Wed, 28 Feb 2024 15:15:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 17:17:13.885776
• Title: HemaGraph: Breaking Barriers in Hematologic Single Cell Classification with Graph Attention
• Title（参考訳）: HemaGraph: グラフ注意による血液学的単一細胞分類におけるバリアの破壊
• Authors: Lorenzo Bini, Fatemeh Nassajian Mojarrad, Thomas Matthes, St\'ephane Marchand-Maillet
• Abstract要約: HemaGraphはフローデータから血液細胞の単細胞多クラス分類のための新しいフレームワークである。 HemaGraphは、30人の患者のデータに基づいて、5つの異なる細胞クラスにまたがる分類性能を示す。 本手法は, より大規模なコホート患者および他の血液疾患からの単細胞データに応用することを目的としている。
• 参考スコア（独自算出の注目度）: 0.9499648210774584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the realm of hematologic cell populations classification, the intricate patterns within flow cytometry data necessitate advanced analytical tools. This paper presents 'HemaGraph', a novel framework based on Graph Attention Networks (GATs) for single-cell multi-class classification of hematological cells from flow cytometry data. Harnessing the power of GATs, our method captures subtle cell relationships, offering highly accurate patient profiling. Based on evaluation of data from 30 patients, HemaGraph demonstrates classification performance across five different cell classes, outperforming traditional methodologies and state-of-the-art methods. Moreover, the uniqueness of this framework lies in the training and testing phase of HemaGraph, where it has been applied for extremely large graphs, containing up to hundreds of thousands of nodes and two million edges, to detect low frequency cell populations (e.g. 0.01% for one population), with accuracies reaching 98%. Our findings underscore the potential of HemaGraph in improving hematoligic multi-class classification, paving the way for patient-personalized interventions. To the best of our knowledge, this is the first effort to use GATs, and Graph Neural Networks (GNNs) in general, to classify cell populations from single-cell flow cytometry data. We envision applying this method to single-cell data from larger cohort of patients and on other hematologic diseases.
• Abstract（参考訳）: 血液細胞集団分類の領域では、フローサイトメトリーデータ内の複雑なパターンは高度な分析ツールを必要とする。 本稿では,グラフアテンションネットワーク(gats)に基づくフローサイトメトリーデータから造血細胞の単細胞多種分類のための新しい枠組みである「ヘマグラフ」を提案する。 GATのパワーを生かして、我々は微妙な細胞関係を捉え、高精度な患者プロファイルを提供する。 30人の患者から得られたデータに基づいて、hemagraphは5つの異なる細胞クラスにまたがる分類性能を示し、従来の方法論や最先端の手法を上回っている。 さらに、このフレームワークの独特性はHemaGraphのトレーニングとテストフェーズにあり、数十万のノードと200万のエッジを含む非常に大きなグラフに適用され、低頻度の細胞集団(例えば1つの集団では0.01%)を検出し、アキュラシーは98%に達した。 以上の結果から,HemaGraphは多クラス分類の改善に有用であり,患者個人による介入の道を開いた。 我々の知る限りでは、単一の細胞フローサイトメトリーデータから細胞集団を分類するために、GATとグラフニューラルネットワーク(GNN)を使用する最初の試みである。 本手法は, より大きなコホート患者および他の血液疾患からの単細胞データに適用する。

関連論文リスト

• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Why Attention Graphs Are All We Need: Pioneering Hierarchical Classification of Hematologic Cell Populations with LeukoGraph [0.9499648210774584]
  LeukoGraphは先駆的な取り組みであり、グラフ上の階層的推論のためのグラフニューラルネットワーク(GNN)の適用をマークしている。 LeukoGraphは、例えば4つの異なる細胞集団が平坦な分類を行うような分類パラダイムを複雑に扱う。 LeukoGraphの顕著な業績は、98%のFスコアであり、最先端の手法を大きく上回っている。
  論文  参考訳（メタデータ） (2024-02-28T15:10:25Z)
• FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
  FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。 このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
  論文  参考訳（メタデータ） (2024-02-28T15:01:59Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  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。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• 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)
• 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)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms [7.229065627904531]
  この研究は、セルコンポーネントのオーケストレーションと相互作用をプロファイリングするための、ローカルグラフとグローバルグラフをハイブリッドする最初の試みの一つである。 提案アルゴリズムは,繰り返し5倍のクロスバリデーション方式を用いて0.703の平均診断精度を実現する。
  論文  参考訳（メタデータ） (2021-06-30T16:09:32Z)
• Disease State Prediction From Single-Cell Data Using Graph Attention Networks [7.314729122296431]
  多発性硬化症 (Multiple Sclerosis:MS) 患者の大規模データセット上で, 単細胞データから疾患状態を予測するグラフアテンションモデルを提案する。 グラフ畳み込みネットワークやランダム森林分類器など,他の最先端手法よりも高い精度でMSを予測し,92%の精度を達成した。 私たちの知る限りでは、シングルセルデータから病気の状態を予測するためにグラフ注意とディープラーニングを利用する最初の試みである。
  論文  参考訳（メタデータ） (2020-02-14T16:08:30Z)

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。