論文の概要: Multi-Slice Spatial Transcriptomics Data Integration Analysis with STG3Net

• arxiv url: http://arxiv.org/abs/2408.15246v1
• Date: Fri, 9 Aug 2024 02:31:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 16:52:18.343616
• Title: Multi-Slice Spatial Transcriptomics Data Integration Analysis with STG3Net
• Title（参考訳）: STG3Netを用いたマルチスライス空間トラノドミクスデータ統合解析
• Authors: Donghai Fang, Fangfang Zhu, Wenwen Min,
• Abstract要約: 複数のスライス間のバッチ効果は、トランスクリプトミクスデータを解析する上で大きな課題となる。 我々はG2N(Global Nearest Neighbor)アンカーペア選択という,プラグアンドプレイによるバッチ補正手法を開発した。 G2Nをベースとして,マスク付きグラフ畳み込みオートエンコーダをバックボーンモジュールとして巧みに組み合わせたSTG3Netを提案する。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of the latest Spatially Resolved Transcriptomics (SRT) technology, which allows for the mapping of gene expression within tissue sections, the integrative analysis of multiple SRT data has become increasingly important. However, batch effects between multiple slices pose significant challenges in analyzing SRT data. To address these challenges, we have developed a plug-and-play batch correction method called Global Nearest Neighbor (G2N) anchor pairs selection. G2N effectively mitigates batch effects by selecting representative anchor pairs across slices. Building upon G2N, we propose STG3Net, which cleverly combines masked graph convolutional autoencoders as backbone modules. These autoencoders, integrated with generative adversarial learning, enable STG3Net to achieve robust multi-slice spatial domain identification and batch correction. We comprehensively evaluate the feasibility of STG3Net on three multiple SRT datasets from different platforms, considering accuracy, consistency, and the F1LISI metric (a measure of batch effect correction efficiency). Compared to existing methods, STG3Net achieves the best overall performance while preserving the biological variability and connectivity between slices. Source code and all public datasets used in this paper are available at https://github.com/wenwenmin/STG3Net and https://zenodo.org/records/12737170.
• Abstract（参考訳）: 組織断面における遺伝子発現のマッピングを可能にする最新の空間分解トランスクリプトミクス(SRT)技術の急速な発展に伴い、複数のSRTデータの統合解析がますます重要になっている。 しかし、複数のスライス間のバッチ効果は、SRTデータを解析する上で大きな課題となる。 これらの課題に対処するため,G2N(Global Nearest Neighbor)アンカーペア選択という,プラグアンドプレイによるバッチ補正手法を開発した。 G2Nは、スライス間で代表アンカーペアを選択することにより、バッチ効果を効果的に緩和する。 G2Nをベースとして,マスク付きグラフ畳み込みオートエンコーダをバックボーンモジュールとして巧みに組み合わせたSTG3Netを提案する。 これらのオートエンコーダは生成的逆数学習と統合され、STG3Netは堅牢なマルチスライス空間領域識別とバッチ補正を実現する。 精度,一貫性,F1LISI測定値(バッチ効果補正効率の測定値)を考慮し,STG3Netの異なるプラットフォームからの3つのSRTデータセットの有効性を総合的に評価した。 既存の方法と比較して、STG3Netは生物の多様性とスライス間の接続性を保ちながら、全体的な性能を最高のものにしている。 この論文で使用されるソースコードとすべての公開データセットは、https://github.com/wenwenmin/STG3Netとhttps://zenodo.org/records/12737170で入手できる。

関連論文リスト

• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• EGG-GAE: scalable graph neural networks for tabular data imputation [8.775728170359024]
  本稿では,データ計算に欠ける新しいEdGe生成グラフオートエンコーダ(EGG-GAE)を提案する。 EGG-GAEは、入力データのランダムにサンプリングされたミニバッチで動作し、各アーキテクチャ層におけるミニバッチ間の接続性を自動的に推測する。
  論文  参考訳（メタデータ） (2022-10-19T10:26:17Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
  本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。 GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
  論文  参考訳（メタデータ） (2021-11-30T17:56:24Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• HANT: Hardware-Aware Network Transformation [82.54824188745887]
  ハードウェア・アウェア・ネットワーク・トランスフォーメーション(HANT)を提案する。 HANTは、ニューラルネットワーク検索のようなアプローチを使用して、非効率な操作をより効率的な代替手段に置き換える。 EfficientNetファミリの高速化に関する我々の結果は、ImageNetデータセットのトップ1の精度で最大3.6倍、0.4%の低下でHANTがそれらを加速できることを示している。
  論文  参考訳（メタデータ） (2021-07-12T18:46:34Z)

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。