論文の概要: SPHENIC: Topology-Informed Multi-View Clustering for Spatial Transcriptomics
- arxiv url: http://arxiv.org/abs/2508.10646v1
- Date: Thu, 14 Aug 2025 13:43:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.338038
- Title: SPHENIC: Topology-Informed Multi-View Clustering for Spatial Transcriptomics
- Title（参考訳）: SPHENIC:空間転写学のためのトポロジーインフォームド・マルチビュークラスタリング
- Authors: Chenkai Guo, Yikai Zhu, Jing Yangum, Renxiang Guan, Por Lip Yee, Guangdun Peng, Dayu Hu,
- Abstract要約: 本研究では,空間持続的ホモロジー強化近傍クラスタリング手法であるSPHENICを提案する。
SPHENICは、安定した表現学習を実現するために、不変なトポロジ的特徴をクラスタリングネットワークに組み込む。
本研究では,空間クラスタリングタスクにおいてSPHENICが優れた性能を発揮し,既存の最先端手法よりも3.31%-6.54%向上したことを示す。
- 参考スコア（独自算出の注目度）: 0.8830938707508663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: By incorporating spatial location information, spatial-transcriptomics clustering yields more comprehensive insights into cell subpopulation identification. Despite recent progress, existing methods have at least two limitations: (i) topological learning typically considers only representations of individual cells or their interaction graphs; however, spatial transcriptomic profiles are often noisy, making these approaches vulnerable to low-quality topological signals, and (ii) insufficient modeling of spatial neighborhood information leads to low-quality spatial embeddings. To address these limitations, we propose SPHENIC, a novel Spatial Persistent Homology Enhanced Neighborhood Integrative Clustering method. Specifically, SPHENIC incorporates invariant topological features into the clustering network to achieve stable representation learning. Additionally, to construct high-quality spatial embeddings that reflect the true cellular distribution, we design the Spatial Constraint and Distribution Optimization Module (SCDOM). This module increases the similarity between a cell's embedding and those of its spatial neighbors, decreases similarity with non-neighboring cells, and thereby produces clustering-friendly spatial embeddings. Extensive experiments on 14 benchmark spatial transcriptomic slices demonstrate that SPHENIC achieves superior performance on the spatial clustering task, outperforming existing state-of-the-art methods by 3.31%-6.54% over the best alternative.
- Abstract（参考訳）: 空間的位置情報を組み込むことで、空間転写学のクラスタリングにより、細胞サブポピュレーションの同定に関するより包括的な洞察が得られる。
最近の進歩にもかかわらず、既存のメソッドには少なくとも2つの制限がある。
(i)トポロジカルラーニングは通常、個々の細胞またはそれらの相互作用グラフの表現のみを考えるが、空間転写プロファイルはしばしばノイズがあり、これらのアプローチは低品質なトポロジカルシグナルに弱い。
二 空間近傍情報の不十分なモデリングは、低品質な空間埋め込みをもたらす。
これらの制約に対処するため,SPHENICを提案する。
具体的には、SPHENICはクラスタリングネットワークに不変なトポロジ的特徴を組み込んで、安定した表現学習を実現する。
さらに,真の細胞分布を反映した高品質な空間埋め込みを構築するために,空間制約分布最適化モジュール (SCDOM) を設計する。
このモジュールは、細胞の埋め込みとその空間的な隣人の類似度を高め、非隣の細胞との類似度を減少させ、クラスタリングに親しみやすい空間的な埋め込みを生成する。
14のベンチマーク空間転写スライスによる大規模な実験により、SPHENICは空間クラスタリングタスクにおいて優れた性能を発揮し、既存の最先端手法を3.31%-6.54%上回った。
関連論文リスト
- Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。
空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-06-24T00:56:21Z) - Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。
近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。
本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2025-06-12T16:43:09Z) - 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) - Querying functional and structural niches on spatial transcriptomics data [7.240034062898855]
空間転写学は、空間的文脈における遺伝子発現のプロファイリングを可能にする。
空間ニッチは、生理的および病理学的過程において凝集的かつ反復的な単位として機能することが明らかにされている。
我々は、ニッチ・オブ・ニッチ(NOI)を与えられたSTサンプル間で類似したニッチを識別するニッチ・クエリータスクを定義した。
我々は、この課題を解決するための特殊な方法であるQueSTを開発した。
論文 参考訳（メタデータ） (2024-10-14T16:01:27Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Superpixel Graph Contrastive Clustering with Semantic-Invariant
Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。
まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。
次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文 参考訳（メタデータ） (2024-03-04T07:40:55Z) - Multiview Subspace Clustering of Hyperspectral Images based on Graph
Convolutional Networks [12.275530282665578]
本研究では、グラフ畳み込みネットワークに基づくハイスペクトル画像(HSI)のマルチビューサブスペースクラスタリングを提案する。
このモデルは、インディアンパインズ、パヴィア大学、ヒューストンを含む3つの人気のあるHSIデータセットで評価された。
合計で92.38%、93.43%、83.82%の精度を達成し、最先端のクラスタリング法を著しく上回った。
論文 参考訳（メタデータ） (2024-03-03T10:19:18Z) - Contrastive Multi-view Subspace Clustering of Hyperspectral Images based
on Graph Convolutional Networks [14.978666092012856]
サブスペースクラスタリングは、ハイパースペクトル画像のクラスタリングに有効なアプローチである。
本研究では,グラフ畳み込みネットワークに基づくHSIのマルチビューサブスペースクラスタリングを提案する。
提案手法は,HSIのクラスタリング精度を効果的に向上する。
論文 参考訳（メタデータ） (2023-12-11T02:22:10Z) - Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。
提案手法は最先端技術より一貫して優れている。
論文 参考訳（メタデータ） (2023-10-11T03:29:13Z) - STICC: A multivariate spatial clustering method for repeated geographic
pattern discovery with consideration of spatial contiguity [7.376428009531946]
理想的な空間クラスタリングは、空間的連続性と空間的属性の両方を考慮するべきである。
既存の空間クラスタリングアプローチは、空間的連続性を維持した反復的な地理的パターンを発見するための課題に直面する可能性がある。
本研究では,地理的オブジェクトの属性と空間的関係を考慮した空間的Toeplitz Inverse Covariance-Based Clustering (STICC)法を提案する。
論文 参考訳（メタデータ） (2022-03-17T20:58:06Z) - 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。