論文の概要: Unsupervised Evolutionary Cell Type Matching via Entropy-Minimized Optimal Transport
- arxiv url: http://arxiv.org/abs/2505.24759v2
- Date: Sun, 07 Sep 2025 21:26:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.096017
- Title: Unsupervised Evolutionary Cell Type Matching via Entropy-Minimized Optimal Transport
- Title（参考訳）: エントロピー最小化最適輸送による無監督進化型細胞型マッチング
- Authors: Mu Qiao,
- Abstract要約: 本稿では,エントロピー規則化された最適輸送(OT)を利用した非教師型計算フレームワークOT-MESHについて述べる。
OT-MESHは、ノイズに対する顕著な堅牢性を保ちながら、計算効率とほぼ最適マッチング精度を達成する。
我々のフレームワークは、進化的細胞型マッピングのための原則付き、スケーラブルで、解釈可能なソリューションを提供し、種間での細胞の特殊化と保存に関する深い洞察を促進する。
- 参考スコア（独自算出の注目度）: 0.8361990291694322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying evolutionary correspondences between cell types across species is a fundamental challenge in comparative genomics and evolutionary biology. Existing approaches often rely on either reference-based matching, which imposes asymmetry by designating one species as the reference, or projection-based matching, which may increase computational complexity and obscure biological interpretability at the cell-type level. Here, we present OT-MESH, an unsupervised computational framework leveraging entropy-regularized optimal transport (OT) to systematically determine cross-species cell type homologies. Our method uniquely integrates the Minimize Entropy of Sinkhorn (MESH) technique to refine the OT plan, transforming diffuse transport matrices into sparse, interpretable correspondences. Through systematic evaluation on synthetic datasets, we demonstrate that OT-MESH achieves near-optimal matching accuracy with computational efficiency, while maintaining remarkable robustness to noise. Compared to other OT-based methods like RefCM, OT-MESH provides speedup while achieving comparable accuracy. Applied to retinal bipolar cells (BCs) and retinal ganglion cells (RGCs) from mouse and macaque, OT-MESH accurately recovers known evolutionary relationships and uncovers novel correspondences, one of which was independently validated experimentally. Thus, our framework offers a principled, scalable, and interpretable solution for evolutionary cell type mapping, facilitating deeper insights into cellular specialization and conservation across species.
- Abstract（参考訳）: 種間での細胞種間の進化的対応の同定は、比較ゲノム学と進化生物学における根本的な課題である。
既存のアプローチでは、1つの種を基準として指定することで非対称性を課す参照ベースのマッチングや、細胞型レベルでの計算複雑性と不明瞭な生物学的解釈性を増大させるプロジェクションベースのマッチングにしばしば依存する。
本稿では,エントロピー規則化された最適輸送(OT)を利用した非教師型計算フレームワークOT-MESHについて述べる。
提案手法はシンクホーンの最小エントロピー(MESH)法を一意に統合し, 拡散輸送行列をスパースで解釈可能な対応に変換する。
合成データセットの体系的評価により,OT-MESHはノイズに対する顕著な堅牢性を保ちながら,ほぼ最適マッチング精度と計算効率を達成可能であることを示す。
RefCMのような他のOTベースのメソッドと比較して、OT-MESHは、同等の精度を達成しつつ、スピードアップを提供する。
マウスおよびマカク由来の網膜双極性細胞(BCs)および網膜神経節細胞(RGCs)に適用すると、OT-MESHは既知の進化的関係を正確に回復し、新しい対応を明らかにする。
このように、我々のフレームワークは、進化的細胞型マッピングのための原則的、スケーラブルで解釈可能なソリューションを提供し、種間での細胞の特殊化と保存に関する深い洞察を促進する。
関連論文リスト
- Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - scMamba: A Scalable Foundation Model for Single-Cell Multi-Omics Integration Beyond Highly Variable Feature Selection [5.139014238424409]
scMambaはシングルセルのマルチオミクスデータを事前のフィーチャ選択を必要とせずに統合するために設計されたモデルである。
scMambaは、高次元のスパースシングルセルマルチオミクスデータから豊富な生物学的洞察を蒸留する。
われわれは scMamba を大規模シングルセルマルチオミクス統合の強力なツールとして位置づけた。
論文 参考訳（メタデータ） (2025-06-25T12:58:01Z) - scSiameseClu: A Siamese Clustering Framework for Interpreting single-cell RNA Sequencing Data [27.903476609960062]
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。
論文 参考訳（メタデータ） (2025-05-19T02:17:09Z) - Bidirectional Mamba for Single-Cell Data: Efficient Context Learning with Biological Fidelity [0.39945675027960637]
我々は、状態空間モデリングに基づいて構築された単一セル転写学のスケーラブルで効率的な基礎モデルであるGeneMambaを紹介した。
GeneMambaは、双方向の遺伝子コンテキストを線形時間複雑性でキャプチャし、トランスフォーマーベースラインよりもかなりの計算的ゲインを提供する。
我々は、マルチバッチ統合、細胞型アノテーション、遺伝子-遺伝子相関など様々なタスクにまたがってGeneMambaを評価し、高い性能、解釈可能性、堅牢性を示す。
論文 参考訳（メタデータ） (2025-04-22T20:34:47Z) - Reconstructing Cell Lineage Trees from Phenotypic Features with Metric Learning [0.0]
発達過程を研究するための重要なアプローチは、細胞系統分類と分化史のツリーグラフを推測することである。
本稿では,木グラフ推論に最適化された幾何学特性を持つ埋め込み空間を学習する新しいディープラーニング手法であるCellTreeQMを紹介する。
論文 参考訳（メタデータ） (2025-03-18T05:41:03Z) - CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。
我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。
それぞれ0.9894と0.9893のF1スコアレートを達成している。
論文 参考訳（メタデータ） (2024-10-11T13:31:28Z) - 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) - Growing Isotropic Neural Cellular Automata [63.91346650159648]
我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。
細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
論文 参考訳（メタデータ） (2022-05-03T11:34:22Z) - Multi-modal Self-supervised Pre-training for Regulatory Genome Across
Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。
我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文 参考訳（メタデータ） (2021-10-11T12:48:44Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳（メタデータ） (2021-04-12T12:45:16Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。