論文の概要: TransST: Transfer Learning Embedded Spatial Factor Modeling of Spatial Transcriptomics Data

• arxiv url: http://arxiv.org/abs/2504.12353v1
• Date: Tue, 15 Apr 2025 22:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:38:16.373155
• Title: TransST: Transfer Learning Embedded Spatial Factor Modeling of Spatial Transcriptomics Data
• Title（参考訳）: TransST:Transfer Learning Embedded Space Factor Modeling of Space Transcriptomics Data
• Authors: Shuo Shuo Liu, Shikun Wang, Yuxuan Chen, Anil K. Rustgi, Ming Yuan, Jianhua Hu,
• Abstract要約: 本稿では,細胞ラベル情報を外部ソースから適応的に活用するトランスファー学習フレームワーク(TransST)を提案する。 本研究は,TransSTが細胞サブクラスタの同定と,空間転写学データにおける対応する生体マーカーの検出に有効かつ堅牢であることを示す。
• 参考スコア（独自算出の注目度）: 13.71468013489106
• License:
• Abstract: Background: Spatial transcriptomics have emerged as a powerful tool in biomedical research because of its ability to capture both the spatial contexts and abundance of the complete RNA transcript profile in organs of interest. However, limitations of the technology such as the relatively low resolution and comparatively insufficient sequencing depth make it difficult to reliably extract real biological signals from these data. To alleviate this challenge, we propose a novel transfer learning framework, referred to as TransST, to adaptively leverage the cell-labeled information from external sources in inferring cell-level heterogeneity of a target spatial transcriptomics data. Results: Applications in several real studies as well as a number of simulation settings show that our approach significantly improves existing techniques. For example, in the breast cancer study, TransST successfully identifies five biologically meaningful cell clusters, including the two subgroups of cancer in situ and invasive cancer; in addition, only TransST is able to separate the adipose tissues from the connective issues among all the studied methods. Conclusions: In summary, the proposed method TransST is both effective and robust in identifying cell subclusters and detecting corresponding driving biomarkers in spatial transcriptomics data.
• Abstract（参考訳）: 背景: 生物医学研究において空間転写学が強力なツールとして登場したのは、興味のある臓器における完全なRNA転写プロファイルの空間的文脈と豊富な部分の両方を捉える能力からである。 しかし、比較的低い解像度と比較的不十分なシークエンシング深度のような技術の限界により、これらのデータから実際の生物学的信号を確実に抽出することは困難である。 この課題を解決するために,TransSTと呼ばれる新しいトランスファー学習フレームワークを提案する。これは,ターゲット空間転写学データのセルレベル不均一性を推定する際に,外部ソースからのセルラベル情報を適応的に活用する。 結果: 本手法が既存手法を大幅に改善することを示すため, 実研究およびシミュレーション設定の応用について検討した。 例えば、乳癌研究において、TransSTは、がんのin situと浸潤がんの2つのサブグループを含む5つの生物学的に有意な細胞クラスターの同定に成功した。 結論: 提案手法は, 細胞サブクラスタを同定し, 空間転写学データから対応する生体マーカーを検出する上で, 有効かつ堅牢である。

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)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement [1.3124513975412255]
  本研究では,トランスフォーマーアーキテクチャに基づくディープラーニング手法であるstEnTransを提案する。 stEnTransを6つのデータセット上で評価した結果, スポット分解能の向上と未測定領域での遺伝子発現の予測において, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-07-11T06:50:34Z)
• 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)
• 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)
• Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
  本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。 単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。 具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
  論文  参考訳（メタデータ） (2023-07-02T12:52:41Z)
• Challenging mitosis detection algorithms: Global labels allow centroid localization [1.7382198387953947]
  ミトコンドリア活性は、異なる種類のがんの診断と予後にとって重要なバイオマーカーである。 本研究では,複雑なシナリオを避けることを提案し,パッチのイメージレベルラベルのみを用いて,ローカライズタスクを弱教師付きで実行する。 TUPAC16データセットで得られた結果は、ひとつのトレーニングフェーズのみを使用して、最先端の手法と競合する。
  論文  参考訳（メタデータ） (2022-11-30T09:52:26Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• 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)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。