論文の概要: CellStream: Dynamical Optimal Transport Informed Embeddings for Reconstructing Cellular Trajectories from Snapshots Data

• arxiv url: http://arxiv.org/abs/2511.13786v1
• Date: Sun, 16 Nov 2025 13:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.721204
• Title: CellStream: Dynamical Optimal Transport Informed Embeddings for Reconstructing Cellular Trajectories from Snapshots Data
• Title（参考訳）: CellStream: スナップショットデータから細胞軌道を再構築するための動的最適輸送インフォームド埋め込み
• Authors: Yue Ling, Peiqi Zhang, Zhenyi Zhang, Peijie Zhou,
• Abstract要約: 単一セルスナップショットデータから埋め込みとセルダイナミクスを学習する新しいディープラーニングフレームワークであるCellStreamを紹介する。 既存の方法と比較して、CellStreamは時間的発達過程をしっかりとキャプチャする動的インフォームド埋め込みを生成する。 実験により, 細胞軌道の表現における最先端手法の大幅な改善が示唆された。
• 参考スコア（独自算出の注目度）: 4.4456485008754685
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq), especially temporally resolved datasets, enables genome-wide profiling of gene expression dynamics at single-cell resolution across discrete time points. However, current technologies provide only sparse, static snapshots of cell states and are inherently influenced by technical noise, complicating the inference and representation of continuous transcriptional dynamics. Although embedding methods can reduce dimensionality and mitigate technical noise, the majority of existing approaches typically treat trajectory inference separately from embedding construction, often neglecting temporal structure. To address this challenge, here we introduce CellStream, a novel deep learning framework that jointly learns embedding and cellular dynamics from single-cell snapshot data by integrating an autoencoder with unbalanced dynamical optimal transport. Compared to existing methods, CellStream generates dynamics-informed embeddings that robustly capture temporal developmental processes while maintaining high consistency with the underlying data manifold. We demonstrate CellStream's effectiveness on both simulated datasets and real scRNA-seq data, including spatial transcriptomics. Our experiments indicate significant quantitative improvements over state-of-the-art methods in representing cellular trajectories with enhanced temporal coherence and reduced noise sensitivity. Overall, CellStream provides a new tool for learning and representing continuous streams from the noisy, static snapshots of single-cell gene expression.
• Abstract（参考訳）: シングルセルRNAシークエンシング(scRNA-seq)は、特に時間的に解決されたデータセットにおいて、個々の時間点にまたがる単一セル解像度での遺伝子発現動態のゲノムワイドプロファイリングを可能にする。 しかし、現在の技術は、セル状態のスパースで静的なスナップショットのみを提供し、本質的に技術的なノイズの影響を受け、連続的な転写力学の推論と表現を複雑にしている。 埋め込み手法は次元を減らし、技術的ノイズを軽減することができるが、既存の手法の多くは、しばしば時間構造を無視して、埋め込み構造とは別々に軌道推論を扱う。 本稿では,単一セルスナップショットデータから埋め込みとセルダイナミクスを協調的に学習する新しいディープラーニングフレームワークであるCellStreamを紹介する。 既存の方法と比較して、CellStreamは動的にインフォームドされた埋め込みを生成する。 シミュレーションデータセットと空間転写学を含む実scRNA-seqデータの両方において,CellStreamの有効性を示す。 実験の結果,時間的コヒーレンスの向上とノイズ感度の低下による細胞軌道の表現における最先端手法に対する有意な定量的改善が示唆された。 全体として、CellStreamは、単一セルの遺伝子発現のノイズの多い静的スナップショットから連続的なストリームを学習し、表現するための新しいツールを提供する。

関連論文リスト

• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Uncovering smooth structures in single-cell data with PCS-guided neighbor embeddings [14.708144124501635]
  単細胞シークエンシングは、細胞-状態遷移の詳細な研究を可能にすることによって生物学に革命をもたらす。 ノイズの多い高次元単細胞データから滑らかで低次元の表現を抽出することは依然として困難である。 NESSは、NE表現を改善するための、原則的で解釈可能な機械学習手法である。
  論文  参考訳（メタデータ） (2025-06-27T13:45:55Z)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• Integrating Dynamical Systems Modeling with Spatiotemporal scRNA-seq Data Analysis [2.4832894642382195]
  シングルセルRNAシークエンシング(scRNA-seq)は、遺伝子発現の静的スナップショットを提供する。 時間的に解決されたscRNA-seq、空間転写学(ST)、時系列転写学(temporal-ST)は、個々の細胞の動態を研究する能力にさらに革命をもたらした。
  論文  参考訳（メタデータ） (2025-03-14T12:25:27Z)
• DynaCLR: Contrastive Learning of Cellular Dynamics with Temporal Regularization [0.5385157903509136]
  DynaCLRは、時間経過画像の表現のコントラスト学習を通じて、細胞とオルガネラのダイナミクスを埋め込む自己教師型の方法である。 我々は単細胞追跡と時間認識のコントラストサンプリングを統合して、セルダイナミクスの頑健で時間的に正規化された表現を学習する。
  論文  参考訳（メタデータ） (2024-10-15T05:01:25Z)
• 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)
• Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
  多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。 化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
  論文  参考訳（メタデータ） (2022-11-02T00:51:35Z)
• TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
  本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。 単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
  論文  参考訳（メタデータ） (2020-02-09T21:00:38Z)

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。