論文の概要: scAGC: Learning Adaptive Cell Graphs with Contrastive Guidance for Single-Cell Clustering

• arxiv url: http://arxiv.org/abs/2508.09180v1
• Date: Thu, 07 Aug 2025 10:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.584801
• Title: scAGC: Learning Adaptive Cell Graphs with Contrastive Guidance for Single-Cell Clustering
• Title（参考訳）: scAGC:シングルセルクラスタリングのためのコントラストガイダンスによる適応型セルグラフの学習
• Authors: Huifa Li, Jie Fu, Xinlin Zhuang, Haolin Yang, Xinpeng Ling, Tong Cheng, Haochen xue, Imran Razzak, Zhili Chen,
• Abstract要約: コントラスト誘導で適応的なセルグラフを学習する単一セルクラスタリング法である scAGC を提案する。 scAGCは、他の最先端メソッドを一貫して上回り、それぞれ9と7のデータセットで最高のNMIとARIスコアを得る。
• 参考スコア（独自算出の注目度）: 26.506077979458908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate cell type annotation is a crucial step in analyzing single-cell RNA sequencing (scRNA-seq) data, which provides valuable insights into cellular heterogeneity. However, due to the high dimensionality and prevalence of zero elements in scRNA-seq data, traditional clustering methods face significant statistical and computational challenges. While some advanced methods use graph neural networks to model cell-cell relationships, they often depend on static graph structures that are sensitive to noise and fail to capture the long-tailed distribution inherent in single-cell populations.To address these limitations, we propose scAGC, a single-cell clustering method that learns adaptive cell graphs with contrastive guidance. Our approach optimizes feature representations and cell graphs simultaneously in an end-to-end manner. Specifically, we introduce a topology-adaptive graph autoencoder that leverages a differentiable Gumbel-Softmax sampling strategy to dynamically refine the graph structure during training. This adaptive mechanism mitigates the problem of a long-tailed degree distribution by promoting a more balanced neighborhood structure. To model the discrete, over-dispersed, and zero-inflated nature of scRNA-seq data, we integrate a Zero-Inflated Negative Binomial (ZINB) loss for robust feature reconstruction. Furthermore, a contrastive learning objective is incorporated to regularize the graph learning process and prevent abrupt changes in the graph topology, ensuring stability and enhancing convergence. Comprehensive experiments on 9 real scRNA-seq datasets demonstrate that scAGC consistently outperforms other state-of-the-art methods, yielding the best NMI and ARI scores on 9 and 7 datasets, respectively.Our code is available at Anonymous Github.
• Abstract（参考訳）: 正確な細胞型アノテーションは、単細胞RNAシークエンシング(scRNA-seq)データを解析するための重要なステップであり、細胞不均一性に関する貴重な洞察を提供する。 しかし、ScRNA-seqデータにおけるゼロ要素の高次元性や頻度のため、従来のクラスタリング手法は重要な統計的および計算上の課題に直面している。 いくつかの先進的な手法では, 細胞間関係のモデル化にグラフニューラルネットワークを用いるが, ノイズに敏感な静的グラフ構造に依存し, 単一細胞集団に固有の長い尾の分布を捕捉できない場合が多い。 提案手法は,特徴表現とセルグラフをエンドツーエンドで同時に最適化する。 具体的には、Gumbel-Softmaxサンプリング戦略を利用したトポロジ適応グラフオートエンコーダを導入し、トレーニング中にグラフ構造を動的に洗練する。 この適応機構は、よりバランスの取れた近傍構造を推進することによって、長い尾の次数分布の問題を緩和する。 scRNA-seqデータの離散性、過分散性、ゼロインフレード特性をモデル化するため、ロバストな特徴再構成のためにゼロインフレード負二項 (ZINB) 損失を統合する。 さらに、グラフ学習プロセスを規則化し、グラフトポロジの急激な変化を防止し、安定性を確保し、収束を高めるために、対照的な学習目標が組み込まれている。 9つの実際の scRNA-seq データセットに関する総合的な実験では、 scAGC が他の最先端メソッドを一貫して上回り、それぞれ 9 と 7 のデータセットで最高の NMI と ARI スコアを得る。

関連論文リスト

• Soft Graph Clustering for single-cell RNA Sequencing Data [15.648907695773701]
  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。
  論文  参考訳（メタデータ） (2025-07-14T03:49:12Z)
• 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)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• 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)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。