論文の概要: Hypergraph Representations of scRNA-seq Data for Improved Clustering with Random Walks

• arxiv url: http://arxiv.org/abs/2501.11760v1
• Date: Mon, 20 Jan 2025 21:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:14.444324
• Title: Hypergraph Representations of scRNA-seq Data for Improved Clustering with Random Walks
• Title（参考訳）: ランダムウォークによるクラスタリング改善のためのcRNA-seqデータのハイパーグラフ表現
• Authors: Wan He, Daniel I. Bolnick, Samuel V. Scarpino, Tina Eliassi-Rad,
• Abstract要約: ハイパーエッジが2つ以上の頂点を接続可能な一般化グラフであるハイパーグラフとして、cRNA-seq式データを概念化する。 scRNA-seqデータのコンテキストでは、ハイパーグラフノードは細胞を表し、エッジは遺伝子を表す。 本稿では,(1)Dual-Importance Preference Hypergraph Walk(DIPHW)と(2)Cexpression and Memory-Integrated Dual-Importance Preference Hypergraph Walk(CoMem-DIPHW)の2つの新しいクラスタリング手法を提案する。
• 参考スコア（独自算出の注目度）: 3.4484112601073904
• License:
• Abstract: Analysis of single-cell RNA sequencing data is often conducted through network projections such as coexpression networks, primarily due to the abundant availability of network analysis tools for downstream tasks. However, this approach has several limitations: loss of higher-order information, inefficient data representation caused by converting a sparse dataset to a fully connected network, and overestimation of coexpression due to zero-inflation. To address these limitations, we propose conceptualizing scRNA-seq expression data as hypergraphs, which are generalized graphs in which the hyperedges can connect more than two vertices. In the context of scRNA-seq data, the hypergraph nodes represent cells and the edges represent genes. Each hyperedge connects all cells where its corresponding gene is actively expressed and records the expression of the gene across different cells. This hypergraph conceptualization enables us to explore multi-way relationships beyond the pairwise interactions in coexpression networks without loss of information. We propose two novel clustering methods: (1) the Dual-Importance Preference Hypergraph Walk (DIPHW) and (2) the Coexpression and Memory-Integrated Dual-Importance Preference Hypergraph Walk (CoMem-DIPHW). They outperform established methods on both simulated and real scRNA-seq datasets. The improvement brought by our proposed methods is especially significant when data modularity is weak. Furthermore, CoMem-DIPHW incorporates the gene coexpression network, cell coexpression network, and the cell-gene expression hypergraph from the single-cell abundance counts data altogether for embedding computation. This approach accounts for both the local level information from single-cell level gene expression and the global level information from the pairwise similarity in the two coexpression networks.
• Abstract（参考訳）: シングルセルRNAシークエンシングデータの解析は、主に下流タスクのためのネットワーク解析ツールが豊富であるために、コプレッションネットワークのようなネットワークプロジェクションを通じて行われることが多い。 しかし、このアプローチには、高次情報の損失、スパースデータセットを完全に接続されたネットワークに変換することによって生じる非効率なデータ表現、ゼロインフレーションによるコプレッションの過大評価など、いくつかの制限がある。 これらの制約に対処するため、ハイパーエッジが2つ以上の頂点を接続可能な一般化グラフであるハイパーグラフとして、scRNA-seq式データの概念化を提案する。 scRNA-seqデータのコンテキストでは、ハイパーグラフノードは細胞を表し、エッジは遺伝子を表す。 それぞれのハイパーエッジは、対応する遺伝子が活性的に発現する全ての細胞を接続し、異なる細胞間で遺伝子の発現を記録する。 このハイパーグラフの概念化により、情報を失うことなく、コプレッションネットワークにおける対の相互作用を超えたマルチウェイ関係を探索することができる。 本稿では,(1)Dual-Importance Preference Hypergraph Walk(DIPHW)と(2)CoMem-DIPHW(CoMem-DIPHW)の2つの新しいクラスタリング手法を提案する。 彼らはシミュレーションと実際のscRNA-seqデータセットの両方で確立された手法より優れていた。 提案手法がもたらす改善は,データモジュール化が弱い場合に特に重要である。 さらに、CoMem-DIPHWは、遺伝子共表現ネットワーク、細胞共表現ネットワーク、および単一セル存在量からの細胞遺伝子表現ハイパーグラフを組み込んで、埋め込み計算のための全データをカウントする。 このアプローチは、シングルセルレベルの遺伝子発現から得られる局所レベル情報と、2つの共表現ネットワークにおけるペアの類似性から得られるグローバルレベル情報の両方を考慮に入れている。

関連論文リスト

• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Self-Supervised Pretraining for Heterogeneous Hypergraph Neural Networks [9.987252149421982]
  異種HyperGNNのための自己教師型事前学習フレームワークを提案する。 本手法は,データ内のエンティティ間の高次関係を,自己教師型で効果的に捉えることができる。 実験の結果,提案するフレームワークは,様々なダウンストリームタスクにおいて,最先端のベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-11-19T16:34:56Z)
• DualHGNN: A Dual Hypergraph Neural Network for Semi-Supervised Node Classification based on Multi-View Learning and Density Awareness [3.698434507617248]
  グラフに基づく半教師付きノード分類は、研究価値と重要性の高い多くのアプリケーションにおいて最先端のアプローチであることが示されている。 本稿では、ハイパーグラフ構造学習とハイパーグラフ表現学習を同時に統合した新しいデュアル接続モデルであるデュアルハイパーグラフニューラルネットワーク(DualHGNN)を提案する。
  論文  参考訳（メタデータ） (2023-06-07T07:40:04Z)
• Tensorized Hypergraph Neural Networks [69.65385474777031]
  我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-05T03:26:06Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• SHINE: SubHypergraph Inductive Neural nEtwork [5.9952530228468754]
  ハイパーグラフニューラルネットワークは、グラフのノード間のマルチウェイ接続をモデル化することができる。 現実世界のアプリケーションにおいて、サブグラフの強力な表現を学ぶには、未完成の必要性がある。 本稿では,精度の高いインダクティブサブグラフ予測のためのSubHypergraph Inductive Neural nEtwork(SHINE)を提案する。
  論文  参考訳（メタデータ） (2022-10-13T19:26:09Z)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-12T02:07:07Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。