論文の概要: QueST: Querying Functional and Structural Niches on Spatial Transcriptomics Data via Contrastive Subgraph Embedding
- arxiv url: http://arxiv.org/abs/2410.10652v1
- Date: Mon, 14 Oct 2024 16:01:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-29 20:25:02.366565
- Title: QueST: Querying Functional and Structural Niches on Spatial Transcriptomics Data via Contrastive Subgraph Embedding
- Title（参考訳）: QueST:Contrastive Subgraph Embeddingによる空間トラノドミクスデータ上の機能的および構造的ニッチの検索
- Authors: Mo Chen, Minsheng Hao, Xuegong Zhang, Lei Wei,
- Abstract要約: QueSTは、複数のサンプル間で空間ニッチを問合せするために設計された、新しいニッチ表現学習モデルである。
確立されたベンチマーク上で、人間とマウスのデータセットを用いてQueSTを評価する。
QueSTは空間的ニッチなクエリのための特殊なモデルを提供し、組織全体にわたる細胞空間構造のパターンとメカニズムについて深い洞察を得るための道を開く。
- 参考スコア（独自算出の注目度）: 6.579597615392464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The functional or structural spatial regions within tissues, referred to as spatial niches, are elements for illustrating the spatial contexts of multicellular organisms. A key challenge is querying shared niches across diverse tissues, which is crucial for achieving a comprehensive understanding of the organization and phenotypes of cell populations. However, current data analysis methods predominantly focus on creating spatial-aware embeddings for cells, neglecting the development of niche-level representations for effective querying. To address this gap, we introduce QueST, a novel niche representation learning model designed for querying spatial niches across multiple samples. QueST utilizes a novel subgraph contrastive learning approach to explicitly capture niche-level characteristics and incorporates adversarial training to mitigate batch effects. We evaluate QueST on established benchmarks using human and mouse datasets, demonstrating its superiority over state-of-the-art graph representation learning methods in accurate niche queries. Overall, QueST offers a specialized model for spatial niche queries, paving the way for deeper insights into the patterns and mechanisms of cell spatial organization across tissues. Source code can be found at https://github.com/cmhimself/QueST.
- Abstract（参考訳）: 組織内の機能的または構造的空間領域は、空間ニッチと呼ばれ、多細胞生物の空間的文脈を説明する要素である。
鍵となる課題は、様々な組織にまたがる共有ニッチを問い合わせることであり、これは細胞集団の組織と表現型を包括的に理解するために重要である。
しかし、現在のデータ解析手法は主に、効率的なクエリのためのニッチレベルの表現の開発を無視して、細胞に空間認識の埋め込みを作成することに重点を置いている。
このギャップに対処するために、複数のサンプル間で空間ニッチを問合せするために設計された新しいニッチ表現学習モデルであるQueSTを紹介する。
QueSTは、ニッチレベルの特徴を明示的に捉えるために、新しいサブグラフコントラスト学習アプローチを使用し、バッチ効果を軽減するために、対逆訓練を取り入れている。
我々は,人間とマウスのデータセットを用いて確立されたベンチマーク上でQueSTを評価し,精度の高いニッチクエリにおける最先端グラフ表現学習法よりも優れていることを示す。
全体として、QueSTは空間ニッチなクエリのための特別なモデルを提供し、組織全体にわたる細胞空間構造のパターンとメカニズムについて深い洞察を得るための道を開く。
ソースコードはhttps://github.com/cmhimself/QueSTにある。
関連論文リスト
- Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。
現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。
本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T00:32:24Z) - Decoding Diffusion: A Scalable Framework for Unsupervised Analysis of Latent Space Biases and Representations Using Natural Language Prompts [68.48103545146127]
本稿では拡散潜在空間の教師なし探索のための新しい枠組みを提案する。
我々は、自然言語のプロンプトと画像キャプションを直接利用して、遅延方向をマップする。
本手法は,拡散モデルに符号化された意味的知識をよりスケーラブルで解釈可能な理解を提供する。
論文 参考訳（メタデータ） (2024-10-25T21:44:51Z) - Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。
我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。
いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
論文 参考訳（メタデータ） (2024-02-26T03:49:18Z) - Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An
Application for MxIF Oncology Data [3.0566763412020714]
異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。
この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。
我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
論文 参考訳（メタデータ） (2024-02-22T21:22:21Z) - Must: Maximizing Latent Capacity of Spatial Transcriptomics Data [41.70354088000952]
本稿では,この課題に対処する新しい手法である MuST について述べる。
STデータに含まれるマルチモダリティ情報を一様潜在空間に効果的に統合し、下流の全てのタスクの基礎を提供する。
その結果, 組織やバイオマーカーの構造を正確に同定し, 保存する上で, 既存の最先端手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-15T09:07:28Z) - Self-Supervised Learning of Representations for Space Generates
Multi-Modular Grid Cells [16.208253624969142]
哺乳類の系統は 顕著な空間表現を発達させました
重要な空間表現の一つがノーベル賞受賞格子細胞である。
ノーベル賞受賞時のグリッド細胞は、自己位置、局所的および周期的な量を表す。
論文 参考訳（メタデータ） (2023-11-04T03:59:37Z) - Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。
我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-10-22T04:06:44Z) - Contrastive Neighborhood Alignment [81.65103777329874]
本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。
対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。
CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
論文 参考訳（メタデータ） (2022-01-06T04:58:31Z) - Multi-Class Cell Detection Using Spatial Context Representation [23.542218679448624]
デジタル病理学では、細胞の自動診断および予後タスクにおいて、細胞の検出と分類の両方が重要である。
既存の方法は、個々の細胞の形態学的外観に焦点をあてるが、実際は、病理学者は、しばしばその空間的文脈を通して細胞クラスを推測する。
本研究では,空間的文脈情報を明示的に組み込んだ検出と分類のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-10-10T19:54:40Z) - Low-Rank Subspaces in GANs [101.48350547067628]
この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。
LowRankGAN は属性多様体の低次元表現を見つけることができる。
さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
論文 参考訳（メタデータ） (2021-06-08T16:16:32Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z)
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。