論文の概要: Enhanced Single-Cell RNA-seq Embedding through Gene Expression and Data-Driven Gene-Gene Interaction Integration

• arxiv url: http://arxiv.org/abs/2509.02639v1
• Date: Mon, 01 Sep 2025 21:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.274816
• Title: Enhanced Single-Cell RNA-seq Embedding through Gene Expression and Data-Driven Gene-Gene Interaction Integration
• Title（参考訳）: 遺伝子発現とデータ駆動型遺伝子間相互作用統合によるシングルセルRNA-seqの組込み
• Authors: Hojjat Torabi Goudarzi, Maziyar Baran Pouyan,
• Abstract要約: 本稿では、遺伝子発現プロファイルとデータ駆動型遺伝子-遺伝子相互作用を統合した新しい埋め込み手法を提案する。 遺伝子発現レベルと遺伝子-遺伝子相互作用の両方を組み込むことで、我々のアプローチは細胞状態のより包括的な表現を提供する。
• 参考スコア（独自算出の注目度）: 0.05156484100374057
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) provides unprecedented insights into cellular heterogeneity, enabling detailed analysis of complex biological systems at single-cell resolution. However, the high dimensionality and technical noise inherent in scRNA-seq data pose significant analytical challenges. While current embedding methods focus primarily on gene expression levels, they often overlook crucial gene-gene interactions that govern cellular identity and function. To address this limitation, we present a novel embedding approach that integrates both gene expression profiles and data-driven gene-gene interactions. Our method first constructs a Cell-Leaf Graph (CLG) using random forest models to capture regulatory relationships between genes, while simultaneously building a K-Nearest Neighbor Graph (KNNG) to represent expression similarities between cells. These graphs are then combined into an Enriched Cell-Leaf Graph (ECLG), which serves as input for a graph neural network to compute cell embeddings. By incorporating both expression levels and gene-gene interactions, our approach provides a more comprehensive representation of cellular states. Extensive evaluation across multiple datasets demonstrates that our method enhances the detection of rare cell populations and improves downstream analyses such as visualization, clustering, and trajectory inference. This integrated approach represents a significant advance in single-cell data analysis, offering a more complete framework for understanding cellular diversity and dynamics.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は、単細胞分解における複雑な生物学的システムの詳細な解析を可能にする。 しかし、scRNA-seqデータに固有の高次元と技術的ノイズは、重要な分析上の課題を生じさせる。 現在の埋め込み法は主に遺伝子発現レベルに焦点を当てているが、細胞アイデンティティと機能を管理する重要な遺伝子と遺伝子間の相互作用を見落としていることが多い。 この制限に対処するため、我々は、遺伝子発現プロファイルとデータ駆動型遺伝子-遺伝子相互作用の両方を統合する新しい埋め込み手法を提案する。 提案手法はまずランダムな森林モデルを用いて,遺伝子間の制御関係を解析し,同時にK-Nearest Neighbor Graph(KNNG)を構築し,細胞間の発現類似性を表現する。 これらのグラフはEnriched Cell-Leaf Graph (ECLG)に結合され、細胞埋め込みを計算するグラフニューラルネットワークの入力として機能する。 遺伝子発現レベルと遺伝子-遺伝子相互作用の両方を組み込むことで、我々のアプローチは細胞状態のより包括的な表現を提供する。 複数のデータセットにまたがる広範囲な評価により,本手法は稀な細胞集団の検出を強化し,可視化,クラスタリング,軌道推定などの下流解析を改善した。 この統合されたアプローチは単細胞データ分析の大きな進歩であり、細胞の多様性とダイナミクスを理解するためのより完全なフレームワークを提供する。

関連論文リスト

• scAGC: Learning Adaptive Cell Graphs with Contrastive Guidance for Single-Cell Clustering [26.506077979458908]
  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。
  論文  参考訳（メタデータ） (2025-08-07T10:55:52Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• 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)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• Topological Data Analysis in Time Series: Temporal Filtration and Application to Single-Cell Genomics [13.173307471333619]
  単細胞トポロジカル単純解析(scTSA)を提案する。 このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。 38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
  論文  参考訳（メタデータ） (2022-04-29T12:46:14Z)
• SimCD: Simultaneous Clustering and Differential expression analysis for single-cell transcriptomic data [22.702909270039314]
  シングルセルRNAシークエンシング(scRNA-seq)は、個々の細胞のゲノムスケールの転写プロファイリングを促進する。 複数の scRNA-seq 解析法が提案されており、まずクラスター化によって細胞サブポピュレーションを同定し、別々に差分発現解析を行い、遺伝子発現の変化を理解する。 細胞不均一性および動的微分変化を1つの統合階層型ガンマ陰性二項モデルで明示的にモデル化する新しい方法であるSimCDを開発している。
  論文  参考訳（メタデータ） (2021-04-04T01:06:18Z)

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。