論文の概要: scI2CL: Effectively Integrating Single-cell Multi-omics by Intra- and Inter-omics Contrastive Learning

• arxiv url: http://arxiv.org/abs/2508.18304v1
• Date: Sat, 23 Aug 2025 01:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.508187
• Title: scI2CL: Effectively Integrating Single-cell Multi-omics by Intra- and Inter-omics Contrastive Learning
• Title（参考訳）: scI2CL: 内部および相互学習によるシングルセルマルチオミクスの効果的統合
• Authors: Wuchao Liu, Han Peng, Wengen Li, Yichao Zhang, Jihong Guan, Shuigeng Zhou,
• Abstract要約: scI2CLは、新しいシングルセルマルチオミクス融合フレームワークである。 scI2CLは、広く使用されている4つの実世界のデータセットで8つの最先端メソッドを上回っている。
• 参考スコア（独自算出の注目度）: 29.242845805535826
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single-cell multi-omics data contain huge information of cellular states, and analyzing these data can reveal valuable insights into cellular heterogeneity, diseases, and biological processes. However, as cell differentiation \& development is a continuous and dynamic process, it remains challenging to computationally model and infer cell interaction patterns based on single-cell multi-omics data. This paper presents scI2CL, a new single-cell multi-omics fusion framework based on intra- and inter-omics contrastive learning, to learn comprehensive and discriminative cellular representations from complementary multi-omics data for various downstream tasks. Extensive experiments of four downstream tasks validate the effectiveness of scI2CL and its superiority over existing peers. Concretely, in cell clustering, scI2CL surpasses eight state-of-the-art methods on four widely-used real-world datasets. In cell subtyping, scI2CL effectively distinguishes three latent monocyte cell subpopulations, which are not discovered by existing methods. Simultaneously, scI2CL is the only method that correctly constructs the cell developmental trajectory from hematopoietic stem and progenitor cells to Memory B cells. In addition, scI2CL resolves the misclassification of cell types between two subpopulations of CD4+ T cells, while existing methods fail to precisely distinguish the mixed cells. In summary, scI2CL can accurately characterize cross-omics relationships among cells, thus effectively fuses multi-omics data and learns discriminative cellular representations to support various downstream analysis tasks.
• Abstract（参考訳）: シングルセルマルチオミクスデータには、細胞状態の膨大な情報が含まれており、これらのデータを解析することで、細胞不均一性、疾患、生物学的プロセスに関する貴重な洞察が明らかになる。 しかし, 細胞分化は連続的かつ動的プロセスであるため, 単一セルマルチオミクスデータに基づいて, 細胞相互作用パターンを計算的にモデル化し, 推測することは依然として困難である。 本稿では,複数の下流タスクを対象とした補完的マルチオミクスデータから包括的および識別的セル表現を学習するために,イントラ・インターオーミクス・コントラスト学習に基づく新しいシングルセルマルチオミクス融合フレームワークである scI2CL を提案する。 4つの下流タスクの大規模な実験は、既存のピアよりも scI2CL の有効性と優位性を検証する。 具体的には、セルクラスタリングにおいて、 scI2CLは4つの広く使用されている実世界のデータセットに対して8つの最先端のメソッドを上回ります。 細胞サブタイプでは、scI2CLは既存の方法では発見されていない3つの潜伏単球細胞サブ集団を効果的に識別する。 同時に、scI2CLは造血幹細胞と前駆細胞からメモリB細胞への細胞発生経路を正しく構築する唯一の方法である。 さらに、scI2CLはCD4+T細胞の2つのサブ集団間での細胞型の誤分類を解消する一方、既存の方法では混合細胞を正確に区別することができない。 まとめると、 scI2CL は細胞間の相互関係を正確に特徴づけることができ、これによりマルチオミクスデータを効果的に融合し、識別的な細胞表現を学び、様々な下流分析タスクをサポートする。

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)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• 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)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• COEM: Cross-Modal Embedding for MetaCell Identification [1.1602089225841632]
  textbfCross-MtextbfOdal textbfEmbedding for textbfMetaCell Identification (COEM) について述べる。 COEM は scATAC-seq と scRNA-seq を使用してアグリゲーションを実行し、微細解像度と十分なシークエンシングカバレッジのトレードオフをバランスさせる。
  論文  参考訳（メタデータ） (2022-07-15T20:17:50Z)
• scICML: Information-theoretic Co-clustering-based Multi-view Learning for the Integrative Analysis of Single-cell Multi-omics data [0.0]
  マルチオミクス・シングルセルデータ統合のための情報理論を用いたマルチビュー学習法(scICML)を開発した。 scICMLは共同クラスタリングを使用して、データのビュー毎に同様の機能を集約し、セルの共通クラスタリングパターンを明らかにする。 実世界の4つのデータセットに対する実験により、SCICMLは全体のクラスタリング性能を改善し、末梢血単核球のデータ解析に関する生物学的知見を提供することが示された。
  論文  参考訳（メタデータ） (2022-05-19T12:41:55Z)
• Contrastive Cycle Adversarial Autoencoders for Single-cell Multi-omics Alignment and Integration [0.0]
  本稿では,単一セルRNA-seqデータと単一セルATAC-seqデータとの整合と統合のための新しいフレームワークを提案する。 他の最先端手法と比較して,本手法はシミュレーションデータと実シングルセルデータの両方において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-12-05T13:00:58Z)

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。