論文の概要: Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective

• arxiv url: http://arxiv.org/abs/2412.03614v2
• Date: Fri, 06 Dec 2024 01:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 12:36:24.897558
• Title: Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective
• Title（参考訳）: 単セル・空間トラノドミクスデータ解析における深層学習--データサイエンスの観点からの進歩と課題
• Authors: Shuang Ge, Shuqing Sun, Huan Xu, Qiang Cheng, Zhixiang Ren,
• Abstract要約: 単一細胞および空間転写学の発展は、細胞の性質、機能、相互作用を研究する能力に革命をもたらした。 しかし,単一セル・空間オミクスデータの解析は依然として困難である。 ディープラーニングは、高次元の複雑なデータを処理し、意味のあるパターンを自動的に識別できる強力なツールとして登場した。
• 参考スコア（独自算出の注目度）: 19.655130697247518
• License:
• Abstract: The development of single-cell and spatial transcriptomics has revolutionized our capacity to investigate cellular properties, functions, and interactions in both cellular and spatial contexts. However, the analysis of single-cell and spatial omics data remains challenging. First, single-cell sequencing data are high-dimensional and sparse, often contaminated by noise and uncertainty, obscuring the underlying biological signals. Second, these data often encompass multiple modalities, including gene expression, epigenetic modifications, and spatial locations. Integrating these diverse data modalities is crucial for enhancing prediction accuracy and biological interpretability. Third, while the scale of single-cell sequencing has expanded to millions of cells, high-quality annotated datasets are still limited. Fourth, the complex correlations of biological tissues make it difficult to accurately reconstruct cellular states and spatial contexts. Traditional feature engineering-based analysis methods struggle to deal with the various challenges presented by intricate biological networks. Deep learning has emerged as a powerful tool capable of handling high-dimensional complex data and automatically identifying meaningful patterns, offering significant promise in addressing these challenges. This review systematically analyzes these challenges and discusses related deep learning approaches. Moreover, we have curated 21 datasets from 9 benchmarks, encompassing 58 computational methods, and evaluated their performance on the respective modeling tasks. Finally, we highlight three areas for future development from a technical, dataset, and application perspective. This work will serve as a valuable resource for understanding how deep learning can be effectively utilized in single-cell and spatial transcriptomics analyses, while inspiring novel approaches to address emerging challenges.
• Abstract（参考訳）: 単一細胞および空間転写学の発展は、細胞の性質、機能、相互作用を研究する能力に革命をもたらした。 しかし,単一セル・空間オミクスデータの解析は依然として困難である。 まず、単一セルのシークエンシングデータは高次元でスパースであり、しばしばノイズや不確実性によって汚染され、基礎となる生物学的信号は無視される。 第2に、これらのデータはしばしば、遺伝子発現、エピジェネティックな修正、空間的な位置を含む複数のモダリティを含んでいる。 これらの多様なデータモダリティを統合することは、予測精度と生物学的解釈可能性を高めるために重要である。 第三に、シングルセルシークエンシングの規模は数百万セルにまで拡大しているが、高品質なアノテートデータセットはまだ限られている。 第4に、生体組織の複雑な相関は、細胞状態と空間的文脈を正確に再構築することが困難である。 従来の特徴工学に基づく分析手法は、複雑な生物学的ネットワークによってもたらされる様々な課題に対処するのに苦労する。 ディープラーニングは、高次元の複雑なデータを処理し、意味のあるパターンを自動的に識別する強力なツールとして登場し、これらの課題に対処する上で大きな可能性を秘めている。 本稿では,これらの課題を体系的に分析し,関連するディープラーニングアプローチについて議論する。 さらに,9つのベンチマークから,58個の計算手法を含む21個のデータセットをキュレートし,各モデリングタスクの性能評価を行った。 最後に、技術、データセット、アプリケーションの観点から、将来の開発のための3つの分野を強調します。 この研究は、深層学習が単一細胞および空間転写学の分析にどのように有効に活用できるかを理解するための貴重なリソースとなり、新たな課題に対処するための新しいアプローチを刺激する。

関連論文リスト

• MorphoSeg: An Uncertainty-Aware Deep Learning Method for Biomedical Segmentation of Complex Cellular Morphologies [5.50767638479269]
  深層学習は医学や生物学的イメージング、特にセグメンテーションのタスクに革命をもたらした。 細胞の形態の多様性と複雑さのため、生物学的な細胞を分断することは依然として困難である。 我々は多能性癌細胞株であるNtera-2細胞の新しいベンチマークデータセットを導入する。 トレーニング中の低線量領域からの仮想アウトリーチのサンプリングを取り入れた,複雑な細胞形態区分(MorphoSeg)のための不確実性を考慮したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T17:25:06Z)
• FISBe: A real-world benchmark dataset for instance segmentation of long-range thin filamentous structures [4.9246627979592725]
  神経系の体積光顕微鏡画像におけるニューロンのセグメンテーションは、神経科学における画期的な研究を可能にする。 しかし、マルチニューロン光顕微鏡のデータは、インスタンスセグメンテーションのタスクにとって非常に難しい特性を示している。 私たちはFlyLight Instance Benchmark(FISBe)データセットをリリースしました。
  論文  参考訳（メタデータ） (2024-03-29T19:51:34Z)
• 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)
• Regression-Based Analysis of Multimodal Single-Cell Data Integration Strategies [0.0]
  マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。 この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。 これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
  論文  参考訳（メタデータ） (2023-11-21T16:31:27Z)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Deep Learning in Single-Cell Analysis [34.08722045363822]
  単細胞技術は生物学全般に革命をもたらしている。 ディープラーニングは、従来の機械学習手法よりも優れたパフォーマンスを示すことが多い。 この調査は生物学者やコンピュータ科学者の参考となり、コラボレーションを奨励する。
  論文  参考訳（メタデータ） (2022-10-22T08:26:41Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。