論文の概要: Benchmarking Dimensionality Reduction Techniques for Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2509.13344v1
• Date: Fri, 12 Sep 2025 17:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.540056
• Title: Benchmarking Dimensionality Reduction Techniques for Spatial Transcriptomics
• Title（参考訳）: 空間転写学のためのベンチマーク次元化手法
• Authors: Md Ishtyaq Mahmud, Veena Kochat, Suresh Satpati, Jagan Mohan Reddy Dwarampudi, Kunal Rai, Tania Banerjee,
• Abstract要約: 本研究では,空間転写学における次元削減手法の評価のための統一的な枠組みを提案する。 胆管癌Xeniumデータセット上に,PCA,NMF,オートエンコーダ,VAE,ハイブリッド埋め込みの6つの手法をベンチマークした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a unified framework for evaluating dimensionality reduction techniques in spatial transcriptomics beyond standard PCA approaches. We benchmark six methods PCA, NMF, autoencoder, VAE, and two hybrid embeddings on a cholangiocarcinoma Xenium dataset, systematically varying latent dimensions ($k$=5-40) and clustering resolutions ($\rho$=0.1-1.2). Each configuration is evaluated using complementary metrics including reconstruction error, explained variance, cluster cohesion, and two novel biologically-motivated measures: Cluster Marker Coherence (CMC) and Marker Exclusion Rate (MER). Our results demonstrate distinct performance profiles: PCA provides a fast baseline, NMF maximizes marker enrichment, VAE balances reconstruction and interpretability, while autoencoders occupy a middle ground. We provide systematic hyperparameter selection using Pareto optimal analysis and demonstrate how MER-guided reassignment improves biological fidelity across all methods, with CMC scores improving by up to 12\% on average. This framework enables principled selection of dimensionality reduction methods tailored to specific spatial transcriptomics analyses.
• Abstract（参考訳）: 我々は,空間転写学における次元削減手法を標準PCAアプローチを超えて評価するための統一的な枠組みを導入する。 我々は,PCA,NMF,オートエンコーダ,VAE,および2つのハイブリッド埋め込みを,胆管癌Xeniumデータセット上にベンチマークし,系統的に潜伏次元(k$=5-40)とクラスタリング解像度(\rho$=0.1-1.2)を解析した。 各構成は、再構成誤差、説明分散、クラスタ凝集、および2つの新しい生物学的動機付け尺度であるクラスタマーカーコヒーレンス(CMC)とマーカ排他率(MER)を含む相補的な指標を用いて評価される。 PCAは高速なベースラインを提供し、NMFはマーカーの富化を最大化し、VAEは再構築と解釈のバランスを保ち、オートエンコーダは中盤を占有する。 我々は,Pareto 最適解析を用いた系統的ハイパーパラメータ選択を行い,MER誘導による配位がすべての方法における生物学的忠実度をどのように改善するかを示し,MCC のスコアは平均 12 % 向上した。 このフレームワークは、特定の空間転写学解析に適した次元削減手法の原則的選択を可能にする。

関連論文リスト

• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• M-learner:A Flexible And Powerful Framework To Study Heterogeneous Treatment Effect In Mediation Model [11.977166290154125]
  異種間接および全治療効果を推定するための新しい手法 M-learner を提案する。 私たちの知る限りでは、メディエーションの存在下での治療効果の不均一性を捉えるために特別に設計された最初のアプローチである。
  論文  参考訳（メタデータ） (2025-05-23T13:57:23Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Unsupervised machine learning framework for discriminating major variants of concern during COVID-19 [1.5346017713894948]
  新型コロナウイルスの感染拡大は、ウイルスの突然変異率の高さから急速に進展した。 デルタやオミクロンのような一部のウイルスは、ウイルスの性質が変化し、感染や死亡率に繋がった。 教師なしの機械学習手法は、非ラベルデータの圧縮、キャラクタリゼーション、可視化を行うことができる。
  論文  参考訳（メタデータ） (2022-08-01T13:02:28Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)

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。