論文の概要: scCluBench: Comprehensive Benchmarking of Clustering Algorithms for Single-Cell RNA Sequencing

• arxiv url: http://arxiv.org/abs/2512.02471v1
• Date: Tue, 02 Dec 2025 07:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.756135
• Title: scCluBench: Comprehensive Benchmarking of Clustering Algorithms for Single-Cell RNA Sequencing
• Title（参考訳）: scCluBench:シングルセルRNAシークエンシングのためのクラスタリングアルゴリズムの総合ベンチマーク
• Authors: Ping Xu, Zaitian Wang, Zhirui Wang, Pengjiang Li, Jiajia Wang, Ran Zhang, Pengfei Wang, Yuanchun Zhou,
• Abstract要約: scCluBenchは、cRNA-seqデータのためのクラスタリングアルゴリズムの包括的なベンチマークである。 まず、 scCluBenchは、様々な公開ソースから収集された36のscRNA-seqデータセットを提供する。
• 参考スコア（独自算出の注目度）: 24.35296206096082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell clustering is crucial for uncovering cellular heterogeneity in single-cell RNA sequencing (scRNA-seq) data by identifying cell types and marker genes. Despite its importance, benchmarks for scRNA-seq clustering methods remain fragmented, often lacking standardized protocols and failing to incorporate recent advances in artificial intelligence. To fill these gaps, we present scCluBench, a comprehensive benchmark of clustering algorithms for scRNA-seq data. First, scCluBench provides 36 scRNA-seq datasets collected from diverse public sources, covering multiple tissues, which are uniformly processed and standardized to ensure consistency for systematic evaluation and downstream analyses. To evaluate performance, we collect and reproduce a range of scRNA-seq clustering methods, including traditional, deep learning-based, graph-based, and biological foundation models. We comprehensively evaluate each method both quantitatively and qualitatively, using core performance metrics as well as visualization analyses. Furthermore, we construct representative downstream biological tasks, such as marker gene identification and cell type annotation, to further assess the practical utility. scCluBench then investigates the performance differences and applicability boundaries of various clustering models across diverse analytical tasks, systematically assessing their robustness and scalability in real-world scenarios. Overall, scCluBench offers a standardized and user-friendly benchmark for scRNA-seq clustering, with curated datasets, unified evaluation protocols, and transparent analyses, facilitating informed method selection and providing valuable insights into model generalizability and application scope.
• Abstract（参考訳）: 細胞クラスタリングは、細胞型とマーカー遺伝子を同定することにより、単細胞RNAシークエンシング(scRNA-seq)データにおける細胞多様性を明らかにするために重要である。 その重要性にもかかわらず、scRNA-seqクラスタリングメソッドのベンチマークは断片化され、しばしば標準化されたプロトコルが欠如し、人工知能の最近の進歩を取り入れなかった。 これらのギャップを埋めるために、scRNA-seqデータのためのクラスタリングアルゴリズムの包括的なベンチマークであるscCluBenchを紹介する。 scCluBenchは、様々な公開ソースから収集された36のscRNA-seqデータセットを提供する。 性能を評価するため,従来の深層学習モデル,グラフベースモデル,生物基盤モデルなど,様々なscRNA-seqクラスタリング手法を収集,再現した。 我々は,コア性能指標と可視化分析を用いて,各手法を定量的・定性的に総合的に評価する。 さらに,マーカー遺伝子同定や細胞型アノテーションなどの下流の生物タスクを代表的に構築し,実用性をさらに評価する。 scCluBenchは、さまざまな分析タスクにわたるさまざまなクラスタリングモデルのパフォーマンス差と適用性境界を調査し、実世界のシナリオにおけるその堅牢性とスケーラビリティを体系的に評価する。 scCluBenchは全体として、cRNA-seqクラスタリングの標準化されたユーザフレンドリなベンチマークを提供し、キュレートされたデータセット、統一された評価プロトコル、透過的な分析により、インフォメーションメソッドの選択を容易にし、モデルの一般化可能性とアプリケーションスコープに関する貴重な洞察を提供する。

関連論文リスト

• scUnified: An AI-Ready Standardized Resource for Single-Cell RNA Sequencing Analysis [23.973638982075016]
  我々は、シングルセルRNAシークエンシングデータのための、AI対応の標準リソース scUnified を提案する。 scUnified Consolided to 13 high-quality datasets across two species and 9 tissue types。
  論文  参考訳（メタデータ） (2025-09-30T07:23:01Z)
• JojoSCL: Shrinkage Contrastive Learning for single-cell RNA sequence Clustering [0.44116499009420784]
  単細胞RNAシークエンシング(scRNA-seq)は、個々の細胞レベルで遺伝子発現解析を行うことで、細胞プロセスの理解に革命をもたらした。 しかし、scRNA-seqデータの高次元性と空間性は、既存のクラスタリングモデルに挑戦し続けている。 本稿では,cRNA-seqクラスタリングのための自己教師型コントラスト学習フレームワークであるJojoSCLを紹介する。
  論文  参考訳（メタデータ） (2025-05-31T05:59:56Z)
• scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
  scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。 本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。 scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
  論文  参考訳（メタデータ） (2024-08-09T09:10:36Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• 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)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Review of Single-cell RNA-seq Data Clustering for Cell Type Identification and Characterization [12.655970720359297]
  教師なし学習は、新しい細胞タイプと遺伝子発現パターンを識別し、特徴付ける中心的な要素となっている。 本稿では,既存の単一セルRNA-seqデータクラスタリング手法について概説する。 そこで本研究では,2つの単一セルRNA-seqクラスタリング手法の性能比較実験を行った。
  論文  参考訳（メタデータ） (2020-01-03T22:48:10Z)

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。