論文の概要: Clustering with Communication: A Variational Framework for Single Cell Representation Learning

• arxiv url: http://arxiv.org/abs/2505.04891v1
• Date: Thu, 08 May 2025 01:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.719028
• Title: Clustering with Communication: A Variational Framework for Single Cell Representation Learning
• Title（参考訳）: コミュニケーションによるクラスタリング: 単一セル表現学習のための変分フレームワーク
• Authors: Cong Qi, Yeqing Chen, Jie Zhang, Wei Zhi,
• Abstract要約: CCC信号を単一セル表現学習に組み込んだ変分自動符号化フレームワークCCCVAEを提案する。 CCCVAEはクラスタリング性能を向上し,標準的なVAEベースラインよりも高い評価スコアが得られることを示す。
• 参考スコア（独自算出の注目度）: 2.275097126764287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) has revealed complex cellular heterogeneity, but recent studies emphasize that understanding biological function also requires modeling cell-cell communication (CCC), the signaling interactions mediated by ligand-receptor pairs that coordinate cellular behavior. Tools like CellChat have demonstrated that CCC plays a critical role in processes such as cell differentiation, tissue regeneration, and immune response, and that transcriptomic data inherently encodes rich information about intercellular signaling. We propose CCCVAE, a novel variational autoencoder framework that incorporates CCC signals into single-cell representation learning. By leveraging a communication-aware kernel derived from ligand-receptor interactions and a sparse Gaussian process, CCCVAE encodes biologically informed priors into the latent space. Unlike conventional VAEs that treat each cell independently, CCCVAE encourages latent embeddings to reflect both transcriptional similarity and intercellular signaling context. Empirical results across four scRNA-seq datasets show that CCCVAE improves clustering performance, achieving higher evaluation scores than standard VAE baselines. This work demonstrates the value of embedding biological priors into deep generative models for unsupervised single-cell analysis.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は複雑な細胞不均一性を明らかにしているが、最近の研究は、生物学的機能を理解するには細胞間通信(CCC)のモデリングが必要であることも強調している。 CellChatのようなツールは、細胞分化、組織再生、免疫応答などのプロセスにおいてCCCが重要な役割を果たすことを示し、転写学的データは本質的に細胞間シグナルに関する豊富な情報をコードしている。 CCC信号を単一セル表現学習に組み込む新しい変分オートエンコーダフレームワークであるCCCVAEを提案する。 CCCVAEは、リガンド-受容体相互作用とスパースガウス過程から派生した通信認識カーネルを利用して、生物学的に情報を得た前駆体を潜伏空間にエンコードする。 CCCVAEは、個々の細胞を独立して扱う従来のVAEとは異なり、転写の類似性と細胞間シグナルの文脈の両方を反映するよう潜伏埋め込みを奨励する。 4つのscRNA-seqデータセットに対する実験結果から、CCCVAEはクラスタリング性能を改善し、標準的なVAEベースラインよりも高い評価スコアを達成することが示された。 この研究は、教師なし単一細胞解析のための深層生成モデルに生物の先駆体を埋め込むことの価値を実証する。

関連論文リスト

• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• A Kolmogorov metric embedding for live cell microscopy signaling patterns [0.1547863211792184]
  5-D $(x,yz, channel,time)$Live Cell Microscopy Filmsにおいて,細胞シグナルのパターンをキャプチャするメカニカル埋め込みを提案する。 この埋め込みは、物体間の情報内容の絶対測度であるコルモゴロフ複雑性理論に基づく正規化情報距離(NID)と呼ばれる距離を用いる。
  論文  参考訳（メタデータ） (2024-01-04T19:25:00Z)
• 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)
• Topological Data Analysis in Time Series: Temporal Filtration and Application to Single-Cell Genomics [13.173307471333619]
  単細胞トポロジカル単純解析(scTSA)を提案する。 このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。 38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
  論文  参考訳（メタデータ） (2022-04-29T12:46:14Z)
• SimCD: Simultaneous Clustering and Differential expression analysis for single-cell transcriptomic data [22.702909270039314]
  シングルセルRNAシークエンシング(scRNA-seq)は、個々の細胞のゲノムスケールの転写プロファイリングを促進する。 複数の scRNA-seq 解析法が提案されており、まずクラスター化によって細胞サブポピュレーションを同定し、別々に差分発現解析を行い、遺伝子発現の変化を理解する。 細胞不均一性および動的微分変化を1つの統合階層型ガンマ陰性二項モデルで明示的にモデル化する新しい方法であるSimCDを開発している。
  論文  参考訳（メタデータ） (2021-04-04T01:06:18Z)
• Review of Single-cell RNA-seq Data Clustering for Cell Type Identification and Characterization [12.655970720359297]
  教師なし学習は、新しい細胞タイプと遺伝子発現パターンを識別し、特徴付ける中心的な要素となっている。 本稿では,既存の単一セルRNA-seqデータクラスタリング手法について概説する。 そこで本研究では,2つの単一セルRNA-seqクラスタリング手法の性能比較実験を行った。
  論文  参考訳（メタデータ） (2020-01-03T22:48:10Z)

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。