論文の概要: JojoSCL: Shrinkage Contrastive Learning for single-cell RNA sequence Clustering

• arxiv url: http://arxiv.org/abs/2506.00410v1
• Date: Sat, 31 May 2025 05:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.187101
• Title: JojoSCL: Shrinkage Contrastive Learning for single-cell RNA sequence Clustering
• Title（参考訳）: JojoSCL:シングルセルRNAシークエンスクラスタリングのための収縮コントラスト学習
• Authors: Ziwen Wang,
• Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は、個々の細胞レベルで遺伝子発現解析を行うことで、細胞プロセスの理解に革命をもたらした。 しかし、scRNA-seqデータの高次元性と空間性は、既存のクラスタリングモデルに挑戦し続けている。 本稿では,cRNA-seqクラスタリングのための自己教師型コントラスト学習フレームワークであるJojoSCLを紹介する。
• 参考スコア（独自算出の注目度）: 0.44116499009420784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) has revolutionized our understanding of cellular processes by enabling gene expression analysis at the individual cell level. Clustering allows for the identification of cell types and the further discovery of intrinsic patterns in single-cell data. However, the high dimensionality and sparsity of scRNA-seq data continue to challenge existing clustering models. In this paper, we introduce JojoSCL, a novel self-supervised contrastive learning framework for scRNA-seq clustering. By incorporating a shrinkage estimator based on hierarchical Bayesian estimation, which adjusts gene expression estimates towards more reliable cluster centroids to reduce intra-cluster dispersion, and optimized using Stein's Unbiased Risk Estimate (SURE), JojoSCL refines both instance-level and cluster-level contrastive learning. Experiments on ten scRNA-seq datasets substantiate that JojoSCL consistently outperforms prevalent clustering methods, with further validation of its practicality through robustness analysis and ablation studies. JojoSCL's code is available at: https://github.com/ziwenwang28/JojoSCL.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は、個々の細胞レベルで遺伝子発現解析を行うことで、細胞プロセスの理解に革命をもたらした。 クラスタリングにより、単一セルデータにおける細胞型の識別と固有のパターンのさらなる発見が可能になる。 しかし、scRNA-seqデータの高次元性と空間性は、既存のクラスタリングモデルに挑戦し続けている。 本稿では,cRNA-seqクラスタリングのための自己教師型コントラスト学習フレームワークであるJojoSCLを紹介する。 階層的ベイズ推定に基づく縮退推定器を組み込むことにより、遺伝子発現推定をより信頼性の高いクラスタセントロイドに調整し、クラスタ内分散を低減し、Stein's Unbiased Risk Estimate (SURE)を用いて最適化することにより、JojoSCLはインスタンスレベルとクラスタレベルのコントラスト学習の両方を洗練する。 10個のscRNA-seqデータセットの実験では、JojoSCLは定型的なクラスタリング法よりも優れており、ロバストネス分析とアブレーション研究を通じてその実用性をさらに検証している。 JojoSCLのコードは、https://github.com/ziwenwang28/JojoSCLで入手できる。

関連論文リスト

• 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)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• 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)
• scRNA-seq Data Clustering by Cluster-aware Iterative Contrastive Learning [29.199004624757233]
  単一細胞RNAシークエンシング(scRNA-seq)により、研究者は単一細胞レベルで遺伝子発現を解析できる。 scRNA-seqデータ分析における重要なタスクは、教師なしクラスタリングである。 我々は,cRNA-seqデータクラスタリングのためのクラスタ対応反復コントラスト学習(CICL)を提案する。
  論文  参考訳（メタデータ） (2023-12-27T14:50:59Z)
• 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)
• Confident Clustering via PCA Compression Ratio and Its Application to Single-cell RNA-seq Analysis [4.511561231517167]
  我々は,境界データポイントの影響を小さくするために,信頼度の高いクラスタリング手法を開発した。 本アルゴリズムは単一セルRNA-seqデータを用いて検証する。 単一セル解析における従来のクラスタリング法とは異なり、信頼性クラスタリングはパラメータの異なる選択下で高い安定性を示す。
  論文  参考訳（メタデータ） (2022-05-19T20:46:49Z)
• Contrastive Clustering [57.71729650297379]
  本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。 特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-09-21T08:54:40Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)
• 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。