論文の概要: Uncertainty-aware t-distributed Stochastic Neighbor Embedding for Single-cell RNA-seq Data

• arxiv url: http://arxiv.org/abs/2410.00473v1
• Date: Tue, 1 Oct 2024 08:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 05:27:01.763672
• Title: Uncertainty-aware t-distributed Stochastic Neighbor Embedding for Single-cell RNA-seq Data
• Title（参考訳）: 単細胞RNA-seqデータに対する不確実性t分布確率近傍埋め込み
• Authors: Hui Ma, Kai Chen,
• Abstract要約: 本研究では,不確実な単一セルRNA配列データに適したノイズ防御可視化ツールであるt-SNE(Ut-SNE)を紹介する。 Ut-SNEは、各サンプルに対する確率的表現を作成することにより、転写可変性に関するノイズをシングルセルRNAシークエンシングデータの視覚的解釈に正確に組み込む。
• 参考スコア（独自算出の注目度）: 11.88650102534271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonlinear data visualization using t-distributed stochastic neighbor embedding (t-SNE) enables the representation of complex single-cell transcriptomic landscapes in two or three dimensions to depict biological populations accurately. However, t-SNE often fails to account for uncertainties in the original dataset, leading to misleading visualizations where cell subsets with noise appear indistinguishable. To address these challenges, we introduce uncertainty-aware t-SNE (Ut-SNE), a noise-defending visualization tool tailored for uncertain single-cell RNA-seq data. By creating a probabilistic representation for each sample, Our Ut-SNE accurately incorporates noise about transcriptomic variability into the visual interpretation of single-cell RNA sequencing data, revealing significant uncertainties in transcriptomic variability. Through various examples, we showcase the practical value of Ut-SNE and underscore the significance of incorporating uncertainty awareness into data visualization practices. This versatile uncertainty-aware visualization tool can be easily adapted to other scientific domains beyond single-cell RNA sequencing, making them valuable resources for high-dimensional data analysis.
• Abstract（参考訳）: t分散確率的隣接埋め込み(t-SNE)を用いた非線形データの可視化により、複雑な単細胞転写風景を2次元または3次元で表現し、生物集団を正確に表現することができる。 しかし、t-SNEは元のデータセットの不確かさを説明できないことが多く、ノイズのある細胞サブセットが識別不能に見えるという誤解を招く。 これらの課題に対処するため、不確実な単一セルRNA系列データに適したノイズ防御可視化ツールであるt-SNE(Ut-SNE)を導入する。 我々のUt-SNEは、各サンプルの確率的表現を作成することにより、単一細胞RNAシークエンシングデータの視覚的解釈に転写可変性に関するノイズを正確に組み込んで、転写可変性の重大な不確実性を明らかにする。 様々な例を通して、Ut-SNEの実践的価値を示し、不確実性認識をデータ視覚化の実践に取り入れることの重要性を浮き彫りにしている。 この汎用的な不確実性認識可視化ツールは、単細胞RNAシークエンシング以外の他の科学領域にも容易に適用でき、高次元データ解析に有用な資源となる。

関連論文リスト

• scRDiT: Generating single-cell RNA-seq data by diffusion transformers and accelerating sampling [9.013834280011293]
  シングルセルRNAシークエンシング(英: Single-cell RNA Sequencing、scRNA-seq)は、生物研究で広く利用されている基盤技術である。 本研究は、scRDiT(scRNA-seq Diffusion Transformer)と呼ばれる生成的アプローチを紹介する。 この方法は、実際のデータセットを活用して、仮想scRNA-seqデータを生成する。
  論文  参考訳（メタデータ） (2024-04-09T09:25:16Z)
• Splicing Up Your Predictions with RNA Contrastive Learning [4.35360799431127]
  我々は、代替スプライシング遺伝子複製によって生成された機能配列間の類似性を利用して、対照的な学習手法をゲノムデータに拡張する。 RNA半減期やリボソーム負荷予測などの下流タスクにおけるそれらの有用性を検証する。 学習された潜在空間の探索は、我々の対照的な目的が意味論的に意味のある表現をもたらすことを示した。
  論文  参考訳（メタデータ） (2023-10-12T21:51:25Z)
• Is your data alignable? Principled and interpretable alignability testing and integration of single-cell data [24.457344926393397]
  単細胞データ統合は、細胞の包括的な分子ビューを提供する。 既存の方法にはいくつかの基本的な制限がある。 スペクトル多様体アライメントと推論の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-03T16:04:14Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Translation and Rotation Equivariant Normalizing Flow (TRENF) for Optimal Cosmological Analysis [7.6146285961466]
  我々の宇宙は均質で等方的であり、その摂動は翻訳と回転対称性に従う。 我々はこれらの対称性を明示的に組み込んだ生成正規化フローモデルを開発した。 TRENF はラベル y の関数として高次元データの可能性 p(x|y) に直接アクセスする。
  論文  参考訳（メタデータ） (2022-02-10T19:00:03Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)
• Encoding Domain Information with Sparse Priors for Inferring Explainable Latent Variables [2.8935588665357077]
  説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。 spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。 シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
  論文  参考訳（メタデータ） (2021-07-08T10:19:32Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。