論文の概要: Refinement Contrastive Learning of Cell-Gene Associations for Unsupervised Cell Type Identification
- arxiv url: http://arxiv.org/abs/2512.10640v1
- Date: Thu, 11 Dec 2025 13:45:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-12 16:15:42.385154
- Title: Refinement Contrastive Learning of Cell-Gene Associations for Unsupervised Cell Type Identification
- Title（参考訳）: 教師なし細胞型同定のための遺伝子組換えコントラスト学習
- Authors: Liang Peng, Haopeng Liu, Yixuan Ye, Cheng Liu, Wenjun Shen, Si Wu, Hau-San Wong,
- Abstract要約: 非教師なし細胞型同定は、単細胞オミクス研究における異種集団の発見と特徴付けに不可欠である。
本稿では,より情報的な表現を導き出すために,細胞-遺伝子相互作用を明示的に組み込んだRefinement Contrastive Learning framework(scRCL)を提案する。
本手法は, セル型識別精度において, 常に最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 37.569728273621315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised cell type identification is crucial for uncovering and characterizing heterogeneous populations in single cell omics studies. Although a range of clustering methods have been developed, most focus exclusively on intrinsic cellular structure and ignore the pivotal role of cell-gene associations, which limits their ability to distinguish closely related cell types. To this end, we propose a Refinement Contrastive Learning framework (scRCL) that explicitly incorporates cell-gene interactions to derive more informative representations. Specifically, we introduce two contrastive distribution alignment components that reveal reliable intrinsic cellular structures by effectively exploiting cell-cell structural relationships. Additionally, we develop a refinement module that integrates gene-correlation structure learning to enhance cell embeddings by capturing underlying cell-gene associations. This module strengthens connections between cells and their associated genes, refining the representation learning to exploiting biologically meaningful relationships. Extensive experiments on several single-cell RNA-seq and spatial transcriptomics benchmark datasets demonstrate that our method consistently outperforms state-of-the-art baselines in cell-type identification accuracy. Moreover, downstream biological analyses confirm that the recovered cell populations exhibit coherent gene-expression signatures, further validating the biological relevance of our approach. The code is available at https://github.com/THPengL/scRCL.
- Abstract（参考訳）: 非教師なし細胞型同定は、単細胞オミクス研究における異種集団の発見と特徴付けに不可欠である。
様々なクラスタリング法が開発されているが、多くは内在的な細胞構造にのみ焦点が当てられ、細胞-遺伝子関連が重要な役割を欠いている。
そこで本研究では,細胞-遺伝子間相互作用を明示的に組み込んで,より情報的表現を導出するRefinement Contrastive Learning framework(scRCL)を提案する。
具体的には,細胞-細胞構造関係を効果的に活用することにより,信頼性の高い内在性細胞構造を明らかにする2つのコントラスト分布アライメントコンポーネントを提案する。
さらに,遺伝子相関構造学習を統合した改良モジュールを開発し,基礎となる細胞-遺伝子関連を捉えることで細胞埋め込みを増強する。
このモジュールは、細胞とその関連遺伝子間の接続を強化し、表現学習を精製し、生物学的に意味のある関係を利用する。
いくつかの単細胞RNA-seqおよび空間トランスクリプトミクスベンチマークデータセットに対する大規模な実験により、我々の手法は、セルタイプ同定精度において、常に最先端のベースラインを上回っていることが示された。
さらに, 下流の生物学的解析により, 回収された細胞集団はコヒーレントな遺伝子発現シグネチャを示し, その生物学的意義を検証した。
コードはhttps://github.com/THPengL/scRCLで公開されている。
関連論文リスト
- Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。
728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。
その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
論文 参考訳（メタデータ） (2025-11-26T07:15:00Z) - Cell2Text: Multimodal LLM for Generating Single-Cell Descriptions from RNA-Seq Data [17.440176654185095]
我々は、cRNA-seqプロファイルを構造化された自然言語記述に変換するフレームワークであるCell2Textを紹介する。
遺伝子レベルの埋め込みと事前訓練された大きな言語モデルを統合することで、Cell2Textは、細胞のアイデンティティ、組織の起源、疾患関連、経路活性をキャプチャするコヒーレントな要約を生成する。
論文 参考訳（メタデータ） (2025-09-29T14:20:50Z) - OCELOT 2023: Cell Detection from Cell-Tissue Interaction Challenge [18.567918724777517]
OCELOT 2023チャレンジは、細胞と組織間の相互作用を理解することが人間レベルのパフォーマンスを達成するために重要であるという仮説を検証するために、コミュニティから洞察を集めるために開始された。
参加者は、細胞-組織間の関係の理解を著しく向上させるモデルを提示した。
本稿では,OCELOT 2023チャレンジで実施された革新的な戦略について,参加者が使用する手法の比較分析を行った。
論文 参考訳（メタデータ） (2025-09-11T05:21:02Z) - Enhanced Single-Cell RNA-seq Embedding through Gene Expression and Data-Driven Gene-Gene Interaction Integration [0.05156484100374057]
本稿では、遺伝子発現プロファイルとデータ駆動型遺伝子-遺伝子相互作用を統合した新しい埋め込み手法を提案する。
遺伝子発現レベルと遺伝子-遺伝子相互作用の両方を組み込むことで、我々のアプローチは細胞状態のより包括的な表現を提供する。
論文 参考訳（メタデータ） (2025-09-01T21:19:27Z) - Clustering with Communication: A Variational Framework for Single Cell Representation Learning [2.275097126764287]
CCC信号を単一セル表現学習に組み込んだ変分自動符号化フレームワークCCCVAEを提案する。
CCCVAEはクラスタリング性能を向上し,標準的なVAEベースラインよりも高い評価スコアが得られることを示す。
論文 参考訳（メタデータ） (2025-05-08T01:53:36Z) - 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) - scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。
scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。
scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文 参考訳（メタデータ） (2023-12-16T03:54:26Z) - 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) - 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) - Topological Data Analysis in Time Series: Temporal Filtration and
Application to Single-Cell Genomics [13.173307471333619]
単細胞トポロジカル単純解析(scTSA)を提案する。
このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。
38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
論文 参考訳（メタデータ） (2022-04-29T12:46:14Z)
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。