論文の概要: scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration

• arxiv url: http://arxiv.org/abs/2510.24987v1
• Date: Tue, 28 Oct 2025 21:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.798283
• Title: scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration
• Title（参考訳）: scMRDR: 障害のないシングルセルマルチオミクスデータ統合のためのスケーラブルでフレキシブルなフレームワーク
• Authors: Jianle Sun, Chaoqi Liang, Ran Wei, Peng Zheng, Lei Bai, Wanli Ouyang, Hongliang Yan, Peng Ye,
• Abstract要約: 単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 53.683726781791385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in single-cell sequencing have enabled high-resolution profiling of diverse molecular modalities, while integrating unpaired multi-omics single-cell data remains challenging. Existing approaches either rely on pair information or prior correspondences, or require computing a global pairwise coupling matrix, limiting their scalability and flexibility. In this paper, we introduce a scalable and flexible generative framework called single-cell Multi-omics Regularized Disentangled Representations (scMRDR) for unpaired multi-omics integration. Specifically, we disentangle each cell's latent representations into modality-shared and modality-specific components using a well-designed $\beta$-VAE architecture, which are augmented with isometric regularization to preserve intra-omics biological heterogeneity, adversarial objective to encourage cross-modal alignment, and masked reconstruction loss strategy to address the issue of missing features across modalities. Our method achieves excellent performance on benchmark datasets in terms of batch correction, modality alignment, and biological signal preservation. Crucially, it scales effectively to large-level datasets and supports integration of more than two omics, offering a powerful and flexible solution for large-scale multi-omics data integration and downstream biological discovery.
• Abstract（参考訳）: シングルセルシークエンシングの進歩により、多様な分子モーダルの高分解能なプロファイリングが可能となり、未実装のマルチオミクスの単一セルデータの統合は依然として困難である。 既存のアプローチは、ペア情報または以前の対応に依存するか、あるいはグローバルなペアワイド結合行列を計算し、スケーラビリティと柔軟性を制限する必要がある。 本稿では,単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークについて述べる。 具体的には、各セルの潜伏表現を、よく設計された$\beta$-VAEアーキテクチャを用いてモダリティ共有およびモダリティ特異的なコンポーネントに分解する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。 重要なのは、大規模なデータセットに効果的にスケールし、2つ以上のオミクスの統合をサポートし、大規模マルチオミクスデータ統合と下流の生物学的発見のための強力で柔軟なソリューションを提供する。

関連論文リスト

• Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation [6.302779966909783]
  医用画像セグメンテーションのための新しい半教師付きマルチモーダルフレームワークを提案する。 モダリティ固有のエンハンシングモジュール(MEM)を導入し、各モダリティに意味的なユニークな手がかりを強化する。 また,学習可能な相補的情報融合(CIF)モジュールを導入し,モダリティ間の相補的知識を適応的に交換する。
  論文  参考訳（メタデータ） (2025-12-10T16:15:17Z)
• MoRE: Batch-Robust Multi-Omics Representations from Frozen Pre-trained Transformers [0.0]
  本稿では, 凍結事前学習型トランスフォーマーを応用し, 不均一なアッセイを共有潜在空間に整列させるフレームワークであるMoRE(Multi-Omics Representation Embedding)を提案する。 特に、MoREは軽量でモジュラリティ固有のアダプタとタスク適応型融合層を冷凍バックボーンに取り付ける。 我々は、Scrublet を用いた scGPT, scVI, Harmony など、確立されたベースラインに対して MoRE をベンチマークし、統合忠実度、希少な人口検出、モダリティ伝達を評価した。
  論文  参考訳（メタデータ） (2025-11-25T15:04:06Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• scMamba: A Scalable Foundation Model for Single-Cell Multi-Omics Integration Beyond Highly Variable Feature Selection [5.139014238424409]
  scMambaはシングルセルのマルチオミクスデータを事前のフィーチャ選択を必要とせずに統合するために設計されたモデルである。 scMambaは、高次元のスパースシングルセルマルチオミクスデータから豊富な生物学的洞察を蒸留する。 われわれは scMamba を大規模シングルセルマルチオミクス統合の強力なツールとして位置づけた。
  論文  参考訳（メタデータ） (2025-06-25T12:58:01Z)
• 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)
• Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
  本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。 この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-26T13:25:53Z)
• CAVACHON: a hierarchical variational autoencoder to integrate multi-modal single-cell data [10.429856767305687]
  マルチモーダルデータ間の条件付き独立関係を明示的に組み込んだ新しい確率論的学習フレームワークを提案する。 単セルマルチオミクスデータ統合に関連する様々なアプリケーションにおけるフレームワークの汎用性を実証する。
  論文  参考訳（メタデータ） (2024-05-28T23:44:09Z)
• 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)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Is your data alignable? Principled and interpretable alignability testing and integration of single-cell data [24.457344926393397]
  単細胞データ統合は、細胞の包括的な分子ビューを提供する。 既存の方法にはいくつかの基本的な制限がある。 スペクトル多様体アライメントと推論の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-03T16:04:14Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)

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。