論文の概要: stMCDI: Masked Conditional Diffusion Model with Graph Neural Network for Spatial Transcriptomics Data Imputation

• arxiv url: http://arxiv.org/abs/2403.10863v1
• Date: Sat, 16 Mar 2024 09:06:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 21:15:47.111847
• Title: stMCDI: Masked Conditional Diffusion Model with Graph Neural Network for Spatial Transcriptomics Data Imputation
• Title（参考訳）: stMCDI:空間トランスクリプトミクスデータインプットのためのグラフニューラルネットワークを用いたマスク付き条件拡散モデル
• Authors: Xiaoyu Li, Wenwen Min, Shunfang Wang, Changmiao Wang, Taosheng Xu,
• Abstract要約: 空間転写学データ計算のための新しい条件拡散モデルである textbfstMCDI を導入する。 ランダムにマスキングされたデータ部分を使ってトレーニングされたデノベーションネットワークをガイダンスとして使用し、非マスキングされたデータは条件として機能する。 空間転写学データセットから得られた結果は,既存の手法と比較して,本手法の性能を解明するものである。
• 参考スコア（独自算出の注目度）: 8.211887623977214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatially resolved transcriptomics represents a significant advancement in single-cell analysis by offering both gene expression data and their corresponding physical locations. However, this high degree of spatial resolution entails a drawback, as the resulting spatial transcriptomic data at the cellular level is notably plagued by a high incidence of missing values. Furthermore, most existing imputation methods either overlook the spatial information between spots or compromise the overall gene expression data distribution. To address these challenges, our primary focus is on effectively utilizing the spatial location information within spatial transcriptomic data to impute missing values, while preserving the overall data distribution. We introduce \textbf{stMCDI}, a novel conditional diffusion model for spatial transcriptomics data imputation, which employs a denoising network trained using randomly masked data portions as guidance, with the unmasked data serving as conditions. Additionally, it utilizes a GNN encoder to integrate the spatial position information, thereby enhancing model performance. The results obtained from spatial transcriptomics datasets elucidate the performance of our methods relative to existing approaches.
• Abstract（参考訳）: 空間的に解決された転写学は、遺伝子発現データとそれに対応する物理的位置の両方を提供することにより、単細胞解析において重要な進歩を示す。 しかし、この高い空間分解能は、結果として生じる細胞レベルでの空間転写学的データは、欠落した値の高頻度に悩まされているため、欠点を伴う。 さらに、既存のほとんどの計算手法は、スポット間の空間情報を見渡すか、遺伝子発現データ全体の分布を損なうかのいずれかである。 これらの課題に対処するためには、空間転写データの空間的位置情報を効果的に活用し、全体のデータ分布を保ちながら、欠落した値をインプットすることに注力する。 本稿では,ランダムにマスキングされたデータ部分を用いてトレーニングした復調ネットワークを条件として利用する空間転写学データ計算のための新しい条件拡散モデルである「textbf{stMCDI}」を紹介する。 さらに、GNNエンコーダを用いて空間位置情報を統合し、モデル性能を向上させる。 空間転写学データセットから得られた結果は,既存の手法と比較して,本手法の性能を解明するものである。

関連論文リスト

• Distance-Preserving Spatial Representations in Genomic Data [0.0]
  単一細胞遺伝子発現データの空間的コンテキストは、多くの下流解析において重要であるが、実際的および技術的制限のため、しばしばアクセスできない。 本稿では、提供された遺伝子発現データに関連する空間座標を再構成できる汎用表現学習・伝達学習フレームワークdp-VAEを提案する。
  論文  参考訳（メタデータ） (2024-08-01T21:04:27Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Targeted Analysis of High-Risk States Using an Oriented Variational Autoencoder [3.494548275937873]
  可変オートエンコーダ(VAE)ニューラルネットワークは、電力系統状態を生成するために訓練することができる。 VAEの潜在空間符号の座標は、データの概念的特徴と相関することが示されている。 本稿では、遅延空間コードと生成されたデータとのリンクを制限するために、指向性変動オートエンコーダ(OVAE)を提案する。
  論文  参考訳（メタデータ） (2023-03-20T19:34:21Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data [0.0]
  本稿では,潜時次元相関を計測し,近距離異常と遠距離異常の両方を効果的に検出するカーネル化オートエンコーダを提案する。 多目的関数は2つの目標を持ち、頑健なMD距離の形で潜在特徴空間内の相関情報を計測する。
  論文  参考訳（メタデータ） (2023-01-01T19:40:06Z)
• Deep Spatial Domain Generalization [8.102110157532556]
  本研究では,空間データをグラフとして扱う空間グラフニューラルネットワークを開発し,各ノードに空間埋め込みを学習する。 提案手法は,テストフェーズ中に見つからない位置の空間埋め込みを推定し,下流タスクモデルのパラメータを目標位置に直接デコードする。
  論文  参考訳（メタデータ） (2022-10-03T06:16:20Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Cyclic Graph Attentive Match Encoder (CGAME): A Novel Neural Network For OD Estimation [8.398623478484248]
  知的交通システム(ITS)時代における交通管理・交通シミュレーションにおける原位置推定の役割 これまでのモデルベースのモデルは、未決定の課題に直面しており、追加の仮定と追加のデータに対する必死な需要が存在する。 本稿では,2層アテンション機構を備えた新しいグラフマッチング手法であるC-GAMEを提案する。
  論文  参考訳（メタデータ） (2021-11-26T08:57:21Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。