Fugu-MT 論文翻訳(概要): SpaDiT: Diffusion Transformer for Spatial Gene Expression Prediction using scRNA-seq

論文の概要: SpaDiT: Diffusion Transformer for Spatial Gene Expression Prediction using scRNA-seq

arxiv url: http://arxiv.org/abs/2407.13182v1
Date: Thu, 18 Jul 2024 05:40:50 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 16:42:04.743993
Title: SpaDiT: Diffusion Transformer for Spatial Gene Expression Prediction using scRNA-seq
Title（参考訳）: SpaDiT: scRNA-seqを用いた空間遺伝子発現予測用拡散変換器
Authors: Xiaoyu Li, Fangfang Zhu, Wenwen Min,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.624390863643109
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The rapid development of spatial transcriptomics (ST) technologies is revolutionizing our understanding of the spatial organization of biological tissues. Current ST methods, categorized into next-generation sequencing-based (seq-based) and fluorescence in situ hybridization-based (image-based) methods, offer innovative insights into the functional dynamics of biological tissues. However, these methods are limited by their cellular resolution and the quantity of genes they can detect. To address these limitations, we propose SpaDiT, a deep learning method that utilizes a diffusion generative model to integrate scRNA-seq and ST data for the prediction of undetected genes. By employing a Transformer-based diffusion model, SpaDiT not only accurately predicts unknown genes but also effectively generates the spatial structure of ST genes. We have demonstrated the effectiveness of SpaDiT through extensive experiments on both seq-based and image-based ST data. SpaDiT significantly contributes to ST gene prediction methods with its innovative approach. Compared to eight leading baseline methods, SpaDiT achieved state-of-the-art performance across multiple metrics, highlighting its substantial bioinformatics contribution.
Abstract（参考訳）: 空間転写学(ST)技術の急速な発展は、生体組織の空間的構造に対する我々の理解に革命をもたらしている。現在のST法は、次世代のシークエンシング (seq-based) と蛍光 in situ hybridization (image-based) に分類され、生物学的組織の機能的ダイナミクスに関する革新的な洞察を提供する。しかし、これらの方法は細胞の分解能と検出可能な遺伝子の量によって制限されている。これらの制約に対処するために,拡散生成モデルを用いた深層学習手法であるSpaDiTを提案する。 Transformerベースの拡散モデルを用いることで、SpaDiTは未知の遺伝子を正確に予測するだけでなく、ST遺伝子の空間構造を効果的に生成する。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。 SpaDiTは、その革新的なアプローチでST遺伝子予測方法に大きく貢献する。 8つの主要なベースライン手法と比較して、SpaDiTは複数のメトリクスにわたって最先端のパフォーマンスを達成し、その相当なバイオインフォマティクスの貢献を強調した。

関連論文リスト

Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文参考訳（メタデータ） (2024-11-01T12:59:25Z)
Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文参考訳（メタデータ） (2024-10-24T03:38:51Z)
Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
論文参考訳（メタデータ） (2024-08-15T16:47:59Z)
stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement [1.3124513975412255]
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。
論文参考訳（メタデータ） (2024-07-11T06:50:34Z)
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)
Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文参考訳（メタデータ） (2024-06-05T06:42:27Z)
Cross-modal Diffusion Modelling for Super-resolved Spatial Transcriptomics [5.020980014307814]
空間転写学は、発見研究のための組織内の空間遺伝子発現を特徴づけることができる。超高分解能アプローチは、組織像とプロファイルされた組織スポットの遺伝子発現を統合することでSTマップを強化することを約束する。本稿では, 組織像の誘導による超解像STマップのクロスモーダル拡散モデルを提案する。
論文参考訳（メタデータ） (2024-04-19T16:01:00Z)
Must: Maximizing Latent Capacity of Spatial Transcriptomics Data [41.70354088000952]
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。
論文参考訳（メタデータ） (2024-01-15T09:07:28Z)
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)
Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
論文参考訳（メタデータ） (2022-09-14T15:25:15Z)
Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-12T18:13:45Z)

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。