論文の概要: SPAC: A Python Package for Spatial Single-Cell Analysis of Multiplex Imaging
- arxiv url: http://arxiv.org/abs/2506.01560v1
- Date: Mon, 02 Jun 2025 11:36:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:34.294143
- Title: SPAC: A Python Package for Spatial Single-Cell Analysis of Multiplex Imaging
- Title（参考訳）: SPAC:多重画像の空間シングルセル解析のためのPythonパッケージ
- Authors: Fang Liu, Rui He, Andrei Bombin, Ahmad B. Abdallah, Omar Eldaghar, Tommy R. Sheeley, Sam E. Ying, George Zaki,
- Abstract要約: 多重蛍光顕微鏡は、空間的に解決された複数のバイオマーカーの詳細な測定を同時に取得する。
我々は,PythonベースのパッケージであるSPAC(SPAtial Single-Cell Analysis)を開発し,モジュール型SPACエコシステム内で対応する光沢のあるアプリケーションを開発した。
- 参考スコア（独自算出の注目度）: 5.237621269762442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiplexed immunofluorescence microscopy captures detailed measurements of spatially resolved, multiple biomarkers simultaneously, revealing tissue composition and cellular interactions in situ among single cells. The growing scale and dimensional complexity of these datasets demand reproducible, comprehensive and user-friendly computational tools. To address this need, we developed SPAC (SPAtial single-Cell analysis), a Python-based package and a corresponding shiny application within an integrated, modular SPAC ecosystem (Liu et al., 2025) designed specifically for biologists without extensive coding expertise. Following image segmentation and extraction of spatially resolved single-cell data, SPAC streamlines downstream phenotyping and spatial analysis, facilitating characterization of cellular heterogeneity and spatial organization within tissues. Through scalable performance, specialized spatial statistics, highly customizable visualizations, and seamless workflows from dataset to insights, SPAC significantly lowers barriers to sophisticated spatial analyses.
- Abstract（参考訳）: 多重蛍光顕微鏡は、空間的に解決された複数のバイオマーカーを同時に測定し、単細胞間の組織組成と細胞間相互作用を明らかにする。
これらのデータセットのスケールと次元の複雑さは、再現可能で包括的でユーザフレンドリな計算ツールを必要とする。
そこで我々はSPAC(SPAtial Single-Cell analysis, SPAtial Single-Cell analysis, Python-based package, and a corresponding shiny application in a integrated, modular SPAC ecosystem (Liu et al , 2025)を開発した。
空間的に解決された単一細胞データのイメージセグメンテーションと抽出に続いて、SPACは下流の表現型と空間分析を効率化し、組織内の細胞不均一性と空間構造を特徴づける。
スケーラブルなパフォーマンス、特殊空間統計、高度にカスタマイズ可能な可視化、データセットから洞察までのシームレスなワークフローを通じて、SPACは高度な空間分析への障壁を著しく低くする。
関連論文リスト
- Spatial Coordinates as a Cell Language: A Multi-Sentence Framework for Imaging Mass Cytometry Analysis [34.60663420263495]
画像質量(IMC)は、質量の分析力と細胞表現型の空間分布を組み合わせることで、高次元空間プロファイリングを可能にする。
近年の研究では、大きな言語モデル(LLM)を利用して、遺伝子またはタンパク質の発現を生物学的文脈に翻訳することで、細胞状態を抽出している。
マルチ文アプローチを用いて,単一セル表現と空間情報を自然言語に統合する新しいフレームワークであるSpatial2Sentenceを提案する。
論文 参考訳（メタデータ） (2025-06-02T17:38:59Z) - Segmentation-free integration of nuclei morphology and spatial transcriptomics for retinal images [1.2200074914789645]
SEFI(Segmentation-Free Integration)は、細胞核の形態的特徴と空間転写学データを統合する新しい方法である。
マルチプレックス単一分子Fluorescence In Situ Hybridization (smFISH)を用いて得られた発達期網膜の空間分解遺伝子発現プロファイルについてSEFIを実証する。
論文 参考訳（メタデータ） (2025-02-08T14:03:02Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective [19.655130697247518]
単一細胞および空間転写学の発展は、細胞の性質、機能、相互作用を研究する能力に革命をもたらした。
しかし,単一セル・空間オミクスデータの解析は依然として困難である。
ディープラーニングは、高次元の複雑なデータを処理し、意味のあるパターンを自動的に識別できる強力なツールとして登場した。
論文 参考訳（メタデータ） (2024-12-04T14:07:11Z) - Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。
本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-11-02T11:21:33Z) - 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) - Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳（メタデータ） (2024-01-31T09:31:28Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。