論文の概要: Gene Incremental Learning for Single-Cell Transcriptomics

• arxiv url: http://arxiv.org/abs/2511.13762v1
• Date: Fri, 14 Nov 2025 10:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.692176
• Title: Gene Incremental Learning for Single-Cell Transcriptomics
• Title（参考訳）: 単セル転写学のための遺伝子インクリメンタル学習
• Authors: Jiaxin Qi, Yan Cui, Jianqiang Huang, Gaogang Xie,
• Abstract要約: 我々は、遺伝子インクリメンタル学習のためのパイプラインを定式化し、対応する評価を確立する。 既存のクラスインクリメンタルな学習手法を応用して、遺伝子の忘れを軽減します。 単細胞転写学における遺伝子インクリメンタル学習のための完全なベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 25.45592652758417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classes, as fundamental elements of Computer Vision, have been extensively studied within incremental learning frameworks. In contrast, tokens, which play essential roles in many research fields, exhibit similar characteristics of growth, yet investigations into their incremental learning remain significantly scarce. This research gap primarily stems from the holistic nature of tokens in language, which imposes significant challenges on the design of incremental learning frameworks for them. To overcome this obstacle, in this work, we turn to a type of token, gene, for a large-scale biological dataset--single-cell transcriptomics--to formulate a pipeline for gene incremental learning and establish corresponding evaluations. We found that the forgetting problem also exists in gene incremental learning, thus we adapted existing class incremental learning methods to mitigate the forgetting of genes. Through extensive experiments, we demonstrated the soundness of our framework design and evaluations, as well as the effectiveness of our method adaptations. Finally, we provide a complete benchmark for gene incremental learning in single-cell transcriptomics.
• Abstract（参考訳）: コンピュータビジョンの基本要素としてのクラスは、漸進的な学習フレームワークの中で広く研究されている。 対照的に、多くの研究分野で重要な役割を担っているトークンは、成長の類似した特徴を示すが、その漸進的な学習に関する調査は依然として極めて少ない。 この研究のギャップは、主に言語におけるトークンの全体的な性質に起因しており、それらのための漸進的な学習フレームワークの設計に重大な課題を課している。 この障害を克服するため,本研究では,大規模な生物学的データセット(単細胞転写学)のためのトークンの一種である遺伝子に転換し,遺伝子インクリメンタル学習のためのパイプラインを定式化し,それに対応する評価を確立する。 本研究は,遺伝子組換え学習においても,遺伝子組換え学習法を応用し,遺伝子組換え学習法を適用した。 大規模な実験を通じて,フレームワークの設計と評価の健全性,および手法適応の有効性を実証した。 最後に、単細胞転写学における遺伝子インクリメンタル学習のための完全なベンチマークを提供する。

関連論文リスト

• A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics [8.854289521774483]
  HESCAPEは空間転写学におけるクロスモーダルコントラスト事前学習の評価のためのベンチマークである。 空間転写学データに事前訓練された遺伝子モデルは、空間データや単純なベースラインアプローチなしで訓練された遺伝子よりも優れている。 バッチ効果は、効果的なクロスモーダルアライメントを阻害する重要な要因である。
  論文  参考訳（メタデータ） (2025-08-02T21:11:36Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Deep Active Learning based Experimental Design to Uncover Synergistic Genetic Interactions for Host Targeted Therapeutics [4.247749070215763]
  本稿では,生物知識グラフからの情報を組み込んだDeep Active Learningフレームワークを提案する。 このフレームワークは、探索と探索のトレードオフのバランスを保ち、非常に効果的な二重ノックダウンペアをピンポイントにしながら、タスク特異的な遺伝子表現を生成することができる。 これは、評価可能なスケールの二重遺伝子ノックダウン実験データに対する有望な結果を示す最初の研究である。
  論文  参考訳（メタデータ） (2025-02-03T03:03:21Z)
• Knowledge-Guided Biomarker Identification for Label-Free Single-Cell RNA-Seq Data: A Reinforcement Learning Perspective [30.927272289309048]
  本稿では、既存の遺伝子選択アルゴリズムからのアンサンブル知識を利用して、予備的境界や事前知識を確立する反復的な遺伝子パネル選択戦略を提案する。 我々は、専門家の行動によって形成される報酬関数を通じて強化学習を取り入れ、動的洗練と遺伝子パネルの標的選択を可能にした。 本研究は, 単細胞ゲノムデータ解析における本手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-01-02T07:57:41Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• 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)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。