論文の概要: Soft Graph Clustering for single-cell RNA Sequencing Data

• arxiv url: http://arxiv.org/abs/2507.09890v1
• Date: Mon, 14 Jul 2025 03:49:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.259533
• Title: Soft Graph Clustering for single-cell RNA Sequencing Data
• Title（参考訳）: シングルセルRNAシークエンシングデータのためのソフトグラフクラスタリング
• Authors: Ping Xu, Pengfei Wang, Zhiyuan Ning, Meng Xiao, Min Wu, Yuanchun Zhou,
• Abstract要約: シングルセルRNAシークエンシングデータのためのソフトグラフクラスタリングである scSGC を導入する。 scSGCは、非バイナリエッジウェイトにより、細胞間の連続的な類似性をより正確に特徴付けることを目的としている。 クラスタリング精度、セルタイプアノテーション、計算効率において、13の最先端クラスタリングモデルより優れています。
• 参考スコア（独自算出の注目度）: 15.648907695773701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering analysis is fundamental in single-cell RNA sequencing (scRNA-seq) data analysis for elucidating cellular heterogeneity and diversity. Recent graph-based scRNA-seq clustering methods, particularly graph neural networks (GNNs), have significantly improved in tackling the challenges of high-dimension, high-sparsity, and frequent dropout events that lead to ambiguous cell population boundaries. However, their reliance on hard graph constructions derived from thresholded similarity matrices presents challenges:(i) The simplification of intercellular relationships into binary edges (0 or 1) by applying thresholds, which restricts the capture of continuous similarity features among cells and leads to significant information loss.(ii) The presence of significant inter-cluster connections within hard graphs, which can confuse GNN methods that rely heavily on graph structures, potentially causing erroneous message propagation and biased clustering outcomes. To tackle these challenges, we introduce scSGC, a Soft Graph Clustering for single-cell RNA sequencing data, which aims to more accurately characterize continuous similarities among cells through non-binary edge weights, thereby mitigating the limitations of rigid data structures. The scSGC framework comprises three core components: (i) a zero-inflated negative binomial (ZINB)-based feature autoencoder; (ii) a dual-channel cut-informed soft graph embedding module; and (iii) an optimal transport-based clustering optimization module. Extensive experiments across ten datasets demonstrate that scSGC outperforms 13 state-of-the-art clustering models in clustering accuracy, cell type annotation, and computational efficiency. These results highlight its substantial potential to advance scRNA-seq data analysis and deepen our understanding of cellular heterogeneity.
• Abstract（参考訳）: クラスタリング解析は、単細胞RNAシークエンシング(scRNA-seq)データ解析において、細胞多様性と多様性を解明するための基礎となる。 最近のグラフベースのscRNA-seqクラスタリング法、特にグラフニューラルネットワーク(GNN)は、不明瞭な細胞集団の境界につながる高次元、高スパーシリティ、頻繁なドロップアウトイベントの課題に対処する上で、大幅に改善されている。 しかし、しきい値の類似性行列から導かれるハードグラフ構造への依存は、以下の課題を提起する。 (i) 細胞間の連続的な類似性の特徴の捕捉を制限し, 情報損失を著しく抑制するしきい値を適用することにより, 細胞間関係を二分端(0または1)に単純化すること。 (II) グラフ構造に大きく依存するGNN手法を混同し, 誤メッセージの伝搬やクラスタリング結果のバイアスが発生する可能性がある。 このような課題に対処するために,単細胞RNAシークエンシングデータのためのソフトグラフクラスタリングである scSGC を導入する。 scSGCフレームワークは3つのコアコンポーネントから構成されている。 (i)ゼロ膨張負二項法(ZINB)に基づく特徴自己エンコーダ (二)二チャンネルカットインフォームドソフトグラフ埋め込みモジュール、及び (iii)最適なトランスポートベースのクラスタリング最適化モジュール。 10つのデータセットにわたる大規模な実験により、cSGCはクラスタリングの精度、セルタイプアノテーション、計算効率で13の最先端クラスタリングモデルを上回っていることが示された。 これらの結果は、cRNA-seqデータ解析を進歩させ、細胞多様性の理解を深める大きな可能性を浮き彫りにしている。

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)
• 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)
• 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)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)

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。