論文の概要: Masked adversarial neural network for cell type deconvolution in spatial transcriptomics
- arxiv url: http://arxiv.org/abs/2408.05065v1
- Date: Fri, 9 Aug 2024 13:46:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 15:37:31.472212
- Title: Masked adversarial neural network for cell type deconvolution in spatial transcriptomics
- Title(参考訳): 空間転写学における細胞型デコンボリューションのためのマスク付き対向神経回路網
- Authors: Lin Huang, Xiaofei Liu, Shunfang Wang, Wenwen Min,
- Abstract要約: 実STデータと、cRNA-seqデータから生成されたシミュレーションSTデータとを整合させるMasked Adversarial Neural Network (MACD)を提案する。
シミュレーションされた32のデータセットと2つの実データセット上でセル型デコンボリューションを行う際の精度を示す。
- 参考スコア(独自算出の注目度): 5.1141169336435945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately determining cell type composition in disease-relevant tissues is crucial for identifying disease targets. Most existing spatial transcriptomics (ST) technologies cannot achieve single-cell resolution, making it challenging to accurately determine cell types. To address this issue, various deconvolution methods have been developed. Most of these methods use single-cell RNA sequencing (scRNA-seq) data from the same tissue as a reference to infer cell types in ST data spots. However, they often overlook the differences between scRNA-seq and ST data. To overcome this limitation, we propose a Masked Adversarial Neural Network (MACD). MACD employs adversarial learning to align real ST data with simulated ST data generated from scRNA-seq data. By mapping them into a unified latent space, it can minimize the differences between the two types of data. Additionally, MACD uses masking techniques to effectively learn the features of real ST data and mitigate noise. We evaluated MACD on 32 simulated datasets and 2 real datasets, demonstrating its accuracy in performing cell type deconvolution. All code and public datasets used in this paper are available at https://github.com/wenwenmin/MACD and https://zenodo.org/records/12804822.
- Abstract(参考訳): 疾患関連組織における細胞型組成の正確な決定は、疾患標的を特定するために重要である。
多くの既存の空間転写学(ST)技術は単細胞分解能を達成できないため、正確に細胞型を決定することは困難である。
この問題に対処するため、様々なデコンボリューション手法が開発されている。
これらの方法の多くは、STデータスポット内のインファー細胞タイプを参照して、同じ組織から単一細胞RNAシークエンシング(scRNA-seq)データを使用する。
しかし、彼らはしばしば scRNA-seq と ST のデータの違いを見落としている。
この制限を克服するため,Masked Adversarial Neural Network (MACD)を提案する。
MACDは、実際のSTデータとscRNA-seqデータから生成されたシミュレーションSTデータとの整合に逆学習を用いる。
それらを統一潜在空間にマッピングすることで、2種類のデータ間の差を最小限にすることができる。
さらに、MACDはマスキング技術を用いて、実際のSTデータの特徴を効果的に学習し、ノイズを軽減する。
シミュレーションした32個のデータセットと2つの実データに対してMACDを評価し,その精度をセル型デコンボリューションの精度で検証した。
この論文で使用されるすべてのコードと公開データセットは、https://github.com/wenwenmin/MACDとhttps://zenodo.org/records/12804822で入手できる。
関連論文リスト
- Masked Graph Autoencoders with Contrastive Augmentation for Spatially Resolved Transcriptomics Data [1.3124513975412255]
ドメイン識別のための低次元潜在表現を学習するために,StMGAC (Contrastively Augmented Masked Graph Autoencoder) を提案する。
潜伏空間において、表現のための永続的な信号は自己蒸留によって得られ、自己教師付きマッチングを誘導する。
5つのデータセット上でSTMGACの性能を評価し,既存のベースライン法よりも優れた結果を得た。
論文 参考訳(メタデータ) (2024-08-09T02:49:23Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - Binary Quantification and Dataset Shift: An Experimental Investigation [54.14283123210872]
量子化は教師付き学習タスクであり、未学習データの集合のクラス有病率の予測器を訓練する。
定量化と他のタイプのデータセットシフトの関係は、いまだ大きく、未調査のままである。
本稿では,これらのシフトに影響を受けるデータセットの生成プロトコルを確立することにより,データセットシフトの種類を詳細に分類する手法を提案する。
論文 参考訳(メタデータ) (2023-10-06T20:11:27Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Optirank: classification for RNA-Seq data with optimal ranking reference
genes [0.0]
そこで我々は,ロジスティック回帰モデルであるOptiicrankを提案し,モデルと遺伝子のパラメータを同時に学習し,ランキングの基準セットとして使用する。
また、列車データと試験データの間に異なる種類の分散シフトを示す実際の分類タスクについても検討する。
論文 参考訳(メタデータ) (2023-01-11T10:49:06Z) - Evaluating COVID-19 Sequence Data Using Nearest-Neighbors Based Network
Model [0.0]
SARS-CoV-2(SARS-CoV-2)は、ヒトの新型コロナウイルス感染症の原因である。
異なる宿主に適応し、異なる系統に進化することができる。
主要なSARS-CoV-2系統はスパイクタンパク質で主に起こる突然変異によって特徴づけられることが知られている。
論文 参考訳(メタデータ) (2022-11-19T00:34:02Z) - MURAL: An Unsupervised Random Forest-Based Embedding for Electronic
Health Record Data [59.26381272149325]
異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。
muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。
提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
論文 参考訳(メタデータ) (2021-11-19T22:02:21Z) - Target-Independent Domain Adaptation for WBC Classification using
Generative Latent Search [20.199195698983715]
教師なしドメイン適応 (Unsupervised Domain Adaptation, UDA) 技術は、十分な量の不正なターゲットデータの存在を前提としている。
本稿では,対象データを必要としないUDAの手法を提案する。
情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。
論文 参考訳(メタデータ) (2020-05-11T20:58:23Z) - Cell Type Identification from Single-Cell Transcriptomic Data via
Semi-supervised Learning [2.4271601178529063]
シングルセルRNAシークエンシング(scRNAseq)データ解析の共通の目的は、シングルセル転写データからの細胞型同定である。
ラベルなしの scRNAseq 細胞とラベル付き scRNAseq 細胞を限定的に使用して細胞識別を行う半教師付き学習モデルを提案する。
提案手法は, ラベル付きcRNAseq細胞を極端に限定して学習することで, 高い性能を達成できることが観察された。
論文 参考訳(メタデータ) (2020-05-06T19:15:43Z) - MSC: A Dataset for Macro-Management in StarCraft II [52.52008929278214]
プラットフォームSC2LEに基づいた新しいマクロ管理データセットをリリースする。
MSCは、よく設計された特徴ベクトル、事前定義されたハイレベルアクション、および各マッチの最終結果からなる。
データセットの他に,グローバルな状態評価とビルド順序予測のためのベースラインモデルと初期ベースライン結果を提案する。
論文 参考訳(メタデータ) (2017-10-09T14:59:11Z)
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。