論文の概要: Lower-dimensional projections of cellular expression improves cell type classification from single-cell RNA sequencing
- arxiv url: http://arxiv.org/abs/2410.09964v1
- Date: Sun, 13 Oct 2024 19:01:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 03:53:37.682088
- Title: Lower-dimensional projections of cellular expression improves cell type classification from single-cell RNA sequencing
- Title(参考訳): 細胞内遺伝子発現の低次元投射は単細胞RNAシークエンシングから細胞型分類を改善する
- Authors: Muhammad Umar, Muhammad Asif, Arif Mahmood,
- Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は単細胞レベルでの細胞多様性の研究を可能にする。
細胞型分類には, 統計的, 機械的, 深層学習に基づく様々な手法が提案されている。
本研究では,EnProCellと呼ばれる細胞型分類のための参照型手法を提案する。
- 参考スコア(独自算出の注目度): 12.66369956714212
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Single-cell RNA sequencing (scRNA-seq) enables the study of cellular diversity at single cell level. It provides a global view of cell-type specification during the onset of biological mechanisms such as developmental processes and human organogenesis. Various statistical, machine and deep learning-based methods have been proposed for cell-type classification. Most of the methods utilizes unsupervised lower dimensional projections obtained from for a large reference data. In this work, we proposed a reference-based method for cell type classification, called EnProCell. The EnProCell, first, computes lower dimensional projections that capture both the high variance and class separability through an ensemble of principle component analysis and multiple discriminant analysis. In the second phase, EnProCell trains a deep neural network on the lower dimensional representation of data to classify cell types. The proposed method outperformed the existing state-of-the-art methods when tested on four different data sets produced from different single-cell sequencing technologies. The EnProCell showed higher accuracy (98.91) and F1 score (98.64) than other methods for predicting reference from reference datasets. Similarly, EnProCell also showed better performance than existing methods in predicting cell types for data with unknown cell types (query) from reference datasets (accuracy:99.52; F1 score: 99.07). In addition to improved performance, the proposed methodology is simple and does not require more computational resources and time. the EnProCell is available at https://github.com/umar1196/EnProCell.
- Abstract(参考訳): 単細胞RNAシークエンシング(scRNA-seq)は単細胞レベルでの細胞多様性の研究を可能にする。
これは、発生過程やヒトの器官形成などの生物学的機構の開始時に、細胞型仕様のグローバルなビューを提供する。
細胞型分類には, 統計的, 機械的, 深層学習に基づく様々な手法が提案されている。
これらの手法のほとんどは、大規模な参照データのために得られた教師なしの下次元の射影を利用する。
本研究では,EnProCellと呼ばれる細胞型分類のための参照型手法を提案する。
EnProCellはまず、原理成分分析と多重判別分析のアンサンブルを通じて、高分散とクラス分離性の両方をキャプチャする低次元射影を計算する。
第2フェーズでは、EnProCellは、データの低次元表現にディープニューラルネットワークをトレーニングして、細胞のタイプを分類する。
提案手法は, シングルセルシークエンシング技術を用いて生成した4つの異なるデータセットに対して, 既存の最先端手法よりも優れていた。
EnProCellは、参照データセットから参照を予測する他の方法よりも高い精度(98.91)とF1スコア(98.64)を示した。
同様に、EnProCellは参照データセット(精度:99.52; F1スコア:99.07)から未知のセルタイプ(クエリ)を持つデータのセルタイプを予測する既存の方法よりも優れたパフォーマンスを示した。
性能の改善に加えて,提案手法は単純で,計算資源や時間を必要としない。
EnProCellはhttps://github.com/umar1196/EnProCellで入手できる。
関連論文リスト
- LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels [32.157968641130545]
高精度で効率的なセル分割法であるLKCellを提案する。
その中心となる洞察は、計算効率のよい大きな受容場を達成するために、大きな畳み込みカーネルのポテンシャルを解き放つことである。
我々は,従来の手法の冗長性を解析し,大規模な畳み込みカーネルに基づく新しいセグメンテーションデコーダを設計する。
論文 参考訳(メタデータ) (2024-07-25T14:07:49Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - 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) - 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) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳(メタデータ) (2023-11-28T08:34:58Z) - Kernel-Based Testing for Single-Cell Differential Analysis [23.769396655341204]
非線形な細胞分布比較のためのカーネルテストフレームワークを提案する。
本手法は, 細胞集団の多様性を明らかにするため, 機能的およびグローバルなトランスクリプトーム/エポジェノムの比較を可能にする。
論文 参考訳(メタデータ) (2023-07-17T14:10:01Z) - Uncertainty Quantification for Atlas-Level Cell Type Transfer [0.4893345190925178]
単細胞基準アトラスを用いた細胞型分類のための不確実性定量法を提案する。
4つのモデルクラスをベンチマークし、現在使用されているモデルに校正、堅牢性、動作可能な不確実性スコアがないことを示す。
アトラスレベルの細胞型移動の設定において、不確実性を定量化するモデルが、未知の細胞型を検出するのにどのように適しているかを実証する。
論文 参考訳(メタデータ) (2022-11-07T16:08:28Z) - The Cellwise Minimum Covariance Determinant Estimator [1.90365714903665]
そこで本研究では,MCD方式のセルワイド・ロバストなバージョンであるCellMCDを提案する。
セルワイド・アウトリーのシミュレーションでは良好に動作し、クリーンなデータに対する有限サンプル効率が高い。
実際のデータと結果の視覚化で示される。
論文 参考訳(メタデータ) (2022-07-27T12:33:51Z) - A systematic evaluation of methods for cell phenotype classification
using single-cell RNA sequencing data [7.62849213621469]
本研究は、細胞表現型を分類する13の一般的な教師付き機械学習アルゴリズムを評価する。
研究結果から、ElasticNetと対話は、中小のデータセットで最善を尽くしたことが示された。
論文 参考訳(メタデータ) (2021-10-01T23:24:15Z) - Stretchable Cells Help DARTS Search Better [70.52254306274092]
分化可能なニューラルアーキテクチャサーチ(DARTS)は、柔軟で多様な細胞タイプを発見することに成功している。
現在のDARTS法は、広くて浅い細胞に傾向があり、このトポロジー崩壊は、準最適細胞を誘導する。
本稿では,細胞に伸縮性を持たせることで,ストレッチ可能な細胞に直接サーチを実装できることを示す。
論文 参考訳(メタデータ) (2020-11-18T14:15:51Z) - Split and Expand: An inference-time improvement for Weakly Supervised
Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。
Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。
拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文 参考訳(メタデータ) (2020-07-21T14:05:09Z)
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。