論文の概要: scSiameseClu: A Siamese Clustering Framework for Interpreting single-cell RNA Sequencing Data

• arxiv url: http://arxiv.org/abs/2505.12626v1
• Date: Mon, 19 May 2025 02:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.354395
• Title: scSiameseClu: A Siamese Clustering Framework for Interpreting single-cell RNA Sequencing Data
• Title（参考訳）: scSiameseClu:シングルセルRNAシークエンシングデータの解釈のためのシームズクラスタリングフレームワーク
• Authors: Ping Xu, Zhiyuan Ning, Pengjiang Li, Wenhao Liu, Pengyang Wang, Jiaxu Cui, Yuanchun Zhou, Pengfei Wang,
• Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は細胞不均一性を示す。 細胞クラスタリングは、細胞タイプとマーカー遺伝子の同定において重要な役割を担っている。 最近の進歩、特にグラフニューラルネットワーク(GNN)ベースの手法はクラスタリング性能を大幅に改善した。 単一セルRNA-seqデータを解析するための新しいSiamese Clusteringフレームワークである scSiameseClu を提案する。
• 参考スコア（独自算出の注目度）: 27.903476609960062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) reveals cell heterogeneity, with cell clustering playing a key role in identifying cell types and marker genes. Recent advances, especially graph neural networks (GNNs)-based methods, have significantly improved clustering performance. However, the analysis of scRNA-seq data remains challenging due to noise, sparsity, and high dimensionality. Compounding these challenges, GNNs often suffer from over-smoothing, limiting their ability to capture complex biological information. In response, we propose scSiameseClu, a novel Siamese Clustering framework for interpreting single-cell RNA-seq data, comprising of 3 key steps: (1) Dual Augmentation Module, which applies biologically informed perturbations to the gene expression matrix and cell graph relationships to enhance representation robustness; (2) Siamese Fusion Module, which combines cross-correlation refinement and adaptive information fusion to capture complex cellular relationships while mitigating over-smoothing; and (3) Optimal Transport Clustering, which utilizes Sinkhorn distance to efficiently align cluster assignments with predefined proportions while maintaining balance. Comprehensive evaluations on seven real-world datasets demonstrate that~\methodname~outperforms state-of-the-art methods in single-cell clustering, cell type annotation, and cell type classification, providing a powerful tool for scRNA-seq data interpretation.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は、細胞型やマーカー遺伝子の同定において重要な役割を担っている。 最近の進歩、特にグラフニューラルネットワーク(GNN)ベースの手法はクラスタリング性能を大幅に改善した。 しかし、ScRNA-seqデータの解析は、ノイズ、空間性、高次元性のために依然として困難である。 これらの課題を複雑にし、GNNは複雑な生物学的情報を捕捉する能力を制限するため、しばしば過密に苦しむ。 そこで本研究では,1つの重要なステップからなる単一セルRNA-Seqデータを解析するための新しいシームズクラスタリングフレームワークである scSiameseClu を提案する。(1) 遺伝子発現マトリックスとセルグラフの関係に生物学的に情報伝達を施した2つの拡張モジュール,(2) 相互相関の洗練と適応情報を組み合わせた融合により,オーバー・スムース化を緩和しながら複雑なセル関係を捉え,(3) シンクホーン距離を利用してクラスタ割り当てを予め定義された比率で効率的に調整する (3) 最適輸送クラスタリング。 7つの実世界のデータセットに関する総合的な評価では、--\methodname~outperforms は単一セルクラスタリング、細胞型アノテーション、細胞型分類における最先端の手法を示し、scRNA-seqデータ解釈のための強力なツールを提供する。

関連論文リスト

• Single-cell Curriculum Learning-based Deep Graph Embedding Clustering [21.328135630638343]
  シングルセル学習に基づく深層グラフ埋め込みクラスタリング(scCLG)を提案する。 まず,3つの最適化目標を組み合わせたマルチ基準(ChebAE)を用いたChebyshevグラフ畳み込みオートエンコーダを提案する。 我々は、ノードの特徴とエントロピーに基づいてGNNを訓練し、困難なノードを訓練するために選択的なトレーニング戦略を採用する。
  論文  参考訳（メタデータ） (2024-08-20T03:20:13Z)
• scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
  scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。 本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。 scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
  論文  参考訳（メタデータ） (2024-08-09T09:10:36Z)
• 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)
• scCDCG: Efficient Deep Structural Clustering for single-cell RNA-seq via Deep Cut-informed Graph Embedding [12.996418312603284]
  scCDCG (Single-cell RNA-seq Clustering via Deep Cut-informed Graph)は、cRNA-seqデータの効率的かつ正確なクラスタリングを目的とした新しいフレームワークである。 scCDCGは3つの主要な構成要素から構成される: (i) 細胞間高次構造情報を効果的にキャプチャするディープカットインフォームド技術を利用したグラフ埋め込みモジュール。 (II)cRNA-seqデータの特異な複雑さに対応するため,最適なトランスポートによって誘導される自己教師型学習モジュール。
  論文  参考訳（メタデータ） (2024-04-09T09:46:17Z)
• 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)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain [46.39828178736219]
  我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。 scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。 これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
  論文  参考訳（メタデータ） (2023-10-04T10:30:08Z)
• 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。