論文の概要: Single-cell Curriculum Learning-based Deep Graph Embedding Clustering
- arxiv url: http://arxiv.org/abs/2408.10511v1
- Date: Tue, 20 Aug 2024 03:20:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-21 15:13:44.086765
- Title: Single-cell Curriculum Learning-based Deep Graph Embedding Clustering
- Title（参考訳）: シングルセル学習に基づくディープグラフ埋め込みクラスタリング
- Authors: Huifa Li, Jie Fu, Xinpeng Ling, Zhiyu Sun, Kuncan Wang, Zhili Chen,
- Abstract要約: シングルセル学習に基づく深層グラフ埋め込みクラスタリング(scCLG)を提案する。
まず,3つのデコーダに対応する3つの最適化目標を組み合わせたマルチデコーダ(ChebAE)を用いたChebyshevグラフ畳み込みオートエンコーダを提案する。
我々は、ノードの特徴とエントロピーに基づいてGNNを訓練し、高品質なグラフを維持するための難易度スコアに基づいて困難なノードを訓練する選択的なトレーニング戦略を採用している。
- 参考スコア（独自算出の注目度）: 21.328135630638343
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The swift advancement of single-cell RNA sequencing (scRNA-seq) technologies enables the investigation of cellular-level tissue heterogeneity. Cell annotation significantly contributes to the extensive downstream analysis of scRNA-seq data. However, The analysis of scRNA-seq for biological inference presents challenges owing to its intricate and indeterminate data distribution, characterized by a substantial volume and a high frequency of dropout events. Furthermore, the quality of training samples varies greatly, and the performance of the popular scRNA-seq data clustering solution GNN could be harmed by two types of low-quality training nodes: 1) nodes on the boundary; 2) nodes that contribute little additional information to the graph. To address these problems, we propose a single-cell curriculum learning-based deep graph embedding clustering (scCLG). We first propose a Chebyshev graph convolutional autoencoder with multi-decoder (ChebAE) that combines three optimization objectives corresponding to three decoders, including topology reconstruction loss of cell graphs, zero-inflated negative binomial (ZINB) loss, and clustering loss, to learn cell-cell topology representation. Meanwhile, we employ a selective training strategy to train GNN based on the features and entropy of nodes and prune the difficult nodes based on the difficulty scores to keep the high-quality graph. Empirical results on a variety of gene expression datasets show that our model outperforms state-of-the-art methods.
- Abstract（参考訳）: 単一細胞RNAシークエンシング(scRNA-seq)技術の急速な進歩は、細胞レベルの組織不均一性の研究を可能にする。
細胞アノテーションは、cRNA-seqデータの広範な下流解析に大きく貢献する。
しかし,生物推論のための scRNA-seq の解析は,その複雑なデータ分布と不確定なデータ分布により,相当量の量と高頻度のドロップアウト現象を特徴とする課題を呈している。
さらに、トレーニングサンプルの品質は大きく異なり、一般的なScRNA-seqデータクラスタリングソリューションであるGNNの性能は、2種類の低品質トレーニングノードによって損なわれる可能性がある。
1) 境界上のノード
2)グラフへの追加情報はほとんど提供しないノード。
これらの問題に対処するために,単セルラーニングに基づく深層グラフ埋め込みクラスタリング(scCLG)を提案する。
まず,チェビシェフグラフ畳み込み自己エンコーダとマルチデコーダ(ChebAE)を併用し,セルグラフの位相再構成損失,ゼロインフレーション負二項損失(ZINB)損失,クラスタリング損失などの3つのデコーダに対応する最適化目標を組み合わせたセル-セルトポロジ表現を提案する。
一方、我々はノードの特徴とエントロピーに基づいてGNNを訓練し、高品質なグラフを維持するのに難易度スコアに基づいて困難なノードを訓練する選択的なトレーニング戦略を採用している。
様々な遺伝子発現データセットの実証結果から,我々のモデルは最先端の手法よりも優れていることが示された。
関連論文リスト
- scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。
本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。
scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
論文 参考訳（メタデータ） (2024-08-09T09:10:36Z) - scCDCG: Efficient Deep Structural Clustering for single-cell RNA-seq via Deep Cut-informed Graph Embedding [12.996418312603284]
scCDCG (Single-cell RNA-seq Clustering via Deep Cut-informed Graph)は、cRNA-seqデータの効率的かつ正確なクラスタリングを目的とした新しいフレームワークである。
scCDCGは3つの主要な構成要素から構成される: (i) 細胞間高次構造情報を効果的にキャプチャするディープカットインフォームド技術を利用したグラフ埋め込みモジュール。
(II)cRNA-seqデータの特異な複雑さに対応するため,最適なトランスポートによって誘導される自己教師型学習モジュール。
論文 参考訳（メタデータ） (2024-04-09T09:46:17Z) - Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳（メタデータ） (2024-02-20T12:01:30Z) - scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。
scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。
scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文 参考訳（メタデータ） (2023-12-16T03:54:26Z) - A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling [33.50085646298074]
本稿では,グラフニューラルネットワーク (GNN) とGAN (Generative Adrial Network) を組み合わせた新しいフレームワークを提案する。
このフレームワークには高度なエッジ生成と選択モジュールが含まれており、合成ノードとエッジを同時に生成することができる。
論文 参考訳（メタデータ） (2023-12-11T16:52:20Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z) - Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural
Networks [89.28881869440433]
本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。
解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
論文 参考訳（メタデータ） (2023-02-06T16:54:20Z) - Generalization Guarantee of Training Graph Convolutional Networks with
Graph Topology Sampling [83.77955213766896]
グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。
スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。
本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
論文 参考訳（メタデータ） (2022-07-07T21:25:55Z)
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。