論文の概要: stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement
- arxiv url: http://arxiv.org/abs/2407.08224v1
- Date: Thu, 11 Jul 2024 06:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 18:39:04.613018
- Title: stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement
- Title（参考訳）: stEnTrans:空間転写機能向上のためのトランスフォーマーを用いた深層学習
- Authors: Shuailin Xue, Fangfang Zhu, Changmiao Wang, Wenwen Min,
- Abstract要約: 本研究では,トランスフォーマーアーキテクチャに基づくディープラーニング手法であるstEnTransを提案する。
stEnTransを6つのデータセット上で評価した結果, スポット分解能の向上と未測定領域での遺伝子発現の予測において, 優れた性能を示した。
- 参考スコア（独自算出の注目度）: 1.3124513975412255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spatial location of cells within tissues and organs is crucial for the manifestation of their specific functions.Spatial transcriptomics technology enables comprehensive measurement of the gene expression patterns in tissues while retaining spatial information. However, current popular spatial transcriptomics techniques either have shallow sequencing depth or low resolution. We present stEnTrans, a deep learning method based on Transformer architecture that provides comprehensive predictions for gene expression in unmeasured areas or unexpectedly lost areas and enhances gene expression in original and inputed spots. Utilizing a self-supervised learning approach, stEnTrans establishes proxy tasks on gene expression profile without requiring additional data, mining intrinsic features of the tissues as supervisory information. We evaluate stEnTrans on six datasets and the results indicate superior performance in enhancing spots resolution and predicting gene expression in unmeasured areas compared to other deep learning and traditional interpolation methods. Additionally, Our method also can help the discovery of spatial patterns in Spatial Transcriptomics and enrich to more biologically significant pathways. Our source code is available at https://github.com/shuailinxue/stEnTrans.
- Abstract（参考訳）: 組織や臓器内の細胞の空間的位置は、その特定の機能の顕在化に不可欠であり、空間的情報を保持しながら、組織内の遺伝子発現パターンの包括的測定を可能にする。
しかし、現在の一般的な空間転写学技術は、浅いシークエンシング深さまたは低い解像度を持つ。
本稿では,トランスフォーマーアーキテクチャに基づくディープラーニング手法 stEnTrans を提案する。これは,未測定領域や予期せぬ喪失領域における遺伝子発現の包括的予測を提供し,原点および入力箇所における遺伝子発現を向上させる。
stEnTransは、自己教師付き学習アプローチを利用して、追加データを必要としない遺伝子発現プロファイル上のプロキシタスクを確立し、組織固有の特徴を監督情報としてマイニングする。
stEnTransを6つのデータセット上で評価した結果,他の深層学習法や従来の補間法と比較して,不測領域におけるスポット分解能の向上と遺伝子発現の予測に優れた性能を示した。
さらに,本手法は空間的トランスクリプトークスにおける空間パターンの発見に役立ち,より生物学的に重要な経路に富む。
ソースコードはhttps://github.com/shuailinxue/stEnTransで公開しています。
関連論文リスト
- Distance-Preserving Generative Modeling of Spatial Transcriptomics [0.0]
本稿では,空間転写学における距離保存型生成モデルについて紹介する。
得られた空間情報を用いて、類似した対距離構造を持つ遺伝子表現の学習表現空間を正規化する。
我々のフレームワークは、遺伝子発現モデリングのためのあらゆる変分推論に基づく生成モデルとの互換性を付与する。
論文 参考訳（メタデータ） (2024-08-01T21:04:27Z) - SpaDiT: Diffusion Transformer for Spatial Gene Expression Prediction using scRNA-seq [9.624390863643109]
SpaDiTは、検出されていない遺伝子の予測のために、scRNA-seqとSTデータを統合したディープラーニング手法である。
本研究では,SpaDiTの有効性を,Seqベースおよび画像ベースSTデータの両方で広範な実験により実証した。
論文 参考訳（メタデータ） (2024-07-18T05:40:50Z) - 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) - Multimodal contrastive learning for spatial gene expression prediction using histology images [13.47034080678041]
空間的トランスクリプトミクス表現予測のための Transformer と Densenet-121 エンコーダを用いたマルチモーダルコントラスト学習である textbfmclSTExp を提案する。
textbfmclSTExpは空間的遺伝子発現を予測するのに優れた性能を持つ。
がん特異的な過剰発現遺伝子を解釈し、免疫関連遺伝子を解明し、病理学者によって注釈された特別な空間領域を特定することには、有望であることが示されている。
論文 参考訳（メタデータ） (2024-07-11T06:33:38Z) - 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) - Latent Space Inference For Spatial Transcriptomics [0.196629787330046]
組織サンプルの完全な遺伝子発現情報を得るための確率論的機械学習手法について検討する。
これは、変動機械学習手法を用いて、両方のデータセットを共同潜在空間表現にマッピングすることで実現される。
ここから、完全な遺伝学的および空間的情報をデコードし、細胞プロセスや経路の理解についてより深い洞察を与えることができる。
論文 参考訳（メタデータ） (2023-11-01T06:50:00Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - SEPAL: Spatial Gene Expression Prediction from Local Graphs [1.4523812806185954]
視覚組織の外観から遺伝子プロファイルを予測する新しいモデルであるSEPALを提案する。
本手法は, 平均表現に対する相対差を直接観察することにより, 問題の生物学的バイアスを生かしている。
そこで本研究では,転写学における現在のベストプラクティスに従うことにより,タスクをより適切に定義することを目的とした新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2023-09-02T23:24:02Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳（メタデータ） (2023-01-28T15:03:03Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z)
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。