論文の概要: Multimodal Analysis of White Blood Cell Differentiation in Acute Myeloid Leukemia Patients using a β-Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2408.06720v2
• Date: Fri, 23 Aug 2024 09:10:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 17:21:03.871285
• Title: Multimodal Analysis of White Blood Cell Differentiation in Acute Myeloid Leukemia Patients using a β-Variational Autoencoder
• Title（参考訳）: β可変オートエンコーダを用いた急性骨髄性白血病患者における白血球分化のマルチモーダル解析
• Authors: Gizem Mert, Ario Sadafi, Raheleh Salehi, Nassir Navab, Carsten Marr,
• Abstract要約: 形態学的および転写学的データを探索・再構成する教師なし手法を提案する。 本手法は,カスタマイズされた損失関数を持つβ変分オートエンコーダ(ss-VAE)に基づく。 バイオメディシンと診断のための白血球成熟の理解を改善するためのユニークなツールを提供する。
• 参考スコア（独自算出の注目度）: 38.13262557169157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical imaging and RNA sequencing with single-cell resolution improves our understanding of white blood cell diseases like leukemia. By combining morphological and transcriptomic data, we can gain insights into cellular functions and trajectoriess involved in blood cell differentiation. However, existing methodologies struggle with integrating morphological and transcriptomic data, leaving a significant research gap in comprehensively understanding the dynamics of cell differentiation. Here, we introduce an unsupervised method that explores and reconstructs these two modalities and uncovers the relationship between different subtypes of white blood cells from human peripheral blood smears in terms of morphology and their corresponding transcriptome. Our method is based on a beta-variational autoencoder ({\ss}-VAE) with a customized loss function, incorporating a R-CNN architecture to distinguish single-cell from background and to minimize any interference from artifacts. This implementation of {\ss}-VAE shows good reconstruction capability along with continuous latent embeddings, while maintaining clear differentiation between single-cell classes. Our novel approach is especially helpful to uncover the correlation of two latent features in complex biological processes such as formation of granules in the cell (granulopoiesis) with gene expression patterns. It thus provides a unique tool to improve the understanding of white blood cell maturation for biomedicine and diagnostics.
• Abstract（参考訳）: 単細胞レゾリューションによるバイオメディカルイメージングとRNAシークエンシングにより、白血病のような白血球疾患の理解が向上する。 形態学的データと転写学的データを組み合わせることで、細胞分化に関わる細胞機能や軌跡の洞察を得ることができる。 しかし、既存の手法は形態学的および転写学的データの統合に苦慮しており、細胞の分化のダイナミクスを包括的に理解する上で重要な研究のギャップを残している。 本稿では、これらの2つのモードを探索・再構成し、形態学的および対応する転写産物の観点からヒト末梢血スミア由来の白血球の異なるサブタイプとの関係を明らかにする、教師なしの方法を提案する。 提案手法は, 単一セルを背景から識別し, 人工物からの干渉を最小限に抑えるため, R-CNNアーキテクチャを組み込んだβ変分オートエンコーダ({\ss}-VAE)に基づく。 この {\ss}-VAEの実装は、単一セルクラス間の明確な区別を維持しながら、連続的な潜伏埋め込みとともに、良好な再構成能力を示す。 我々の新しいアプローチは、細胞(顆粒球体)の顆粒形成などの複雑な生物学的過程における2つの潜在的特徴と遺伝子発現パターンとの相関を明らかにするのに特に有用である。 これにより、バイオメディシンと診断のための白血球成熟の理解を改善するためのユニークなツールを提供する。

関連論文リスト

• 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)
• 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)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• 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)
• Regression-Based Analysis of Multimodal Single-Cell Data Integration Strategies [0.0]
  マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。 この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。 これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
  論文  参考訳（メタデータ） (2023-11-21T16:31:27Z)
• Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology [3.7007225479462402]
  我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。 提案手法は,既存手法と比較してF1マクロスコアが最適である。
  論文  参考訳（メタデータ） (2023-03-14T10:20:31Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Attention based Multiple Instance Learning for Classification of Blood Cell Disorders [38.086308180994976]
  血液細胞障害患者の血液サンプルを分類するために,注意に基づく多症例学習法を提案する。 各細胞から抽出された特徴により、患者サンプルを4つの血液細胞障害のうち1つに分類する。 注意機構は、各セルの全体的な分類への貢献度を測定し、ネットワークの分類精度と医療専門家に対する解釈可能性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-22T19:29:40Z)
• Cell Mechanics Based Computational Classification of Red Blood Cells Via Machine Intelligence Applied to Morpho-Rheological Markers [0.0]
  非教師なし機械学習手法は、リアルタイム変形性と蛍光(RT-FDC)により得られる形態・レオロジーマーカーにのみ適用される 提案手法は, 成熟赤血球由来の赤血球の分類において, ラベルフリーで有望な結果が得られたことを報告した。
  論文  参考訳（メタデータ） (2020-03-02T15:11:46Z)

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。