論文の概要: SCR2-ST: Combine Single Cell with Spatial Transcriptomics for Efficient Active Sampling via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.13635v1
• Date: Mon, 15 Dec 2025 18:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.802886
• Title: SCR2-ST: Combine Single Cell with Spatial Transcriptomics for Efficient Active Sampling via Reinforcement Learning
• Title（参考訳）: SCR2-ST:強化学習による効率的な能動サンプリングのための単一細胞と空間転写学の組み合わせ
• Authors: Junchao Zhu, Ruining Deng, Junlin Guo, Tianyuan Yao, Chongyu Qu, Juming Xiong, Siqi Lu, Zhengyi Lu, Yanfan Zhu, Marilyn Lionts, Yuechen Yang, Yalin Zheng, Yu Wang, Shilin Zhao, Haichun Yang, Yuankai Huo,
• Abstract要約: SCR2-STは単一セルの事前知識を利用して効率的なデータ取得と正確な表現予測を行う統合フレームワークである。 SCR2-STは、単セル誘導強化学習に基づくアクティブサンプリングとハイブリッド回帰検索予測ネットワークSCR2Netを統合する。
• 参考スコア（独自算出の注目度）: 9.512448078850392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) is an emerging technology that enables researchers to investigate the molecular relationships underlying tissue morphology. However, acquiring ST data remains prohibitively expensive, and traditional fixed-grid sampling strategies lead to redundant measurements of morphologically similar or biologically uninformative regions, thus resulting in scarce data that constrain current methods. The well-established single-cell sequencing field, however, could provide rich biological data as an effective auxiliary source to mitigate this limitation. To bridge these gaps, we introduce SCR2-ST, a unified framework that leverages single-cell prior knowledge to guide efficient data acquisition and accurate expression prediction. SCR2-ST integrates a single-cell guided reinforcement learning-based (SCRL) active sampling and a hybrid regression-retrieval prediction network SCR2Net. SCRL combines single-cell foundation model embeddings with spatial density information to construct biologically grounded reward signals, enabling selective acquisition of informative tissue regions under constrained sequencing budgets. SCR2Net then leverages the actively sampled data through a hybrid architecture combining regression-based modeling with retrieval-augmented inference, where a majority cell-type filtering mechanism suppresses noisy matches and retrieved expression profiles serve as soft labels for auxiliary supervision. We evaluated SCR2-ST on three public ST datasets, demonstrating SOTA performance in both sampling efficiency and prediction accuracy, particularly under low-budget scenarios. Code is publicly available at: https://github.com/hrlblab/SCR2ST
• Abstract（参考訳）: 空間転写学(Spatial transcriptomics、ST)は、組織形態学の基礎となる分子関係を研究者が研究できる新しい技術である。 しかし、STデータの取得は違法に高価であり、従来の固定グリッドサンプリング戦略は、形態学的に類似または生物学的に非形式的な領域を冗長に測定し、その結果、現在の手法を制約するデータが不足する。 しかし、確立された単一セルシークエンシングフィールドは、この制限を緩和するための効果的な補助源として、リッチな生物学的データを提供することができる。 これらのギャップを埋めるため、シングルセル事前知識を活用して効率的なデータ取得と正確な表現予測を行う統合フレームワークであるSCR2-STを導入する。 SCR2-STは、単一セル誘導強化学習(SCRL)アクティブサンプリングとハイブリッド回帰検索予測ネットワークSCR2Netを統合する。 SCRLは、単一細胞基盤モデル埋め込みと空間密度情報を組み合わせて生物学的に接地された報酬信号を構築し、制限されたシーケンシング予算の下で情報組織領域の選択的取得を可能にする。 SCR2Netは、回帰に基づくモデリングと検索強化推論を組み合わせたハイブリッドアーキテクチャを通じて、アクティブにサンプリングされたデータを活用し、大多数のセル型フィルタリング機構がノイズマッチを抑制し、検索された表現プロファイルが補助的な監督のためのソフトラベルとして機能する。 我々は,SCR2-STを3つのパブリックSTデータセット上で評価し,特に低予算シナリオにおいて,サンプリング効率と予測精度の両方でSOTA性能を実証した。 コードは、https://github.com/hrlblab/SCR2STで公開されている。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• A Hybrid Computational Intelligence Framework for scRNA-seq Imputation: Integrating scRecover and Random Forests [1.3265006188260802]
  単細胞RNAシークエンシング(scRNA-seq)は、細胞分解における転写プロファイリングを可能にする。 SCR-MFは, scRecover を用いた原理的なドロップアウト検出と MissForest による堅牢な非パラメトリック計算を組み合わせた,モジュール型2段階のワークフローである。
  論文  参考訳（メタデータ） (2025-11-21T03:23:47Z)
• Generalizable Blood Cell Detection via Unified Dataset and Faster R-CNN [0.33842793760651557]
  本稿では,末梢血細胞の自動分類と対象検出のための総合的方法論と比較性能解析について述べる。 データパイプラインは、4つの公開データセットを標準化し、統合したリソースにマージするために最初に開発された。 最先端の高速R-CNNオブジェクト検出フレームワークが採用され、ResNet-50-FPNバックボーンが使用されている。
  論文  参考訳（メタデータ） (2025-11-11T17:08:40Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  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。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• 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)
• Sparser2Sparse: Single-shot Sparser-to-Sparse Learning for Spatial Transcriptomics Imputation with Natural Image Co-learning [1.7603474309877931]
  本稿では,S2S-ST(Single-shot Sparser-to-Sparse)について述べる。 我々のフレームワークは、コトレーニングのために広く利用可能な自然画像とともに、単一かつ低コストでサンプル化されたSTデータセットのみを必要とする。
  論文  参考訳（メタデータ） (2025-07-22T17:58:38Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• SUICA: Learning Super-high Dimensional Sparse Implicit Neural Representations for Spatial Transcriptomics [23.396154129613528]
  空間トランスクリプトミクス(Spatial Transcriptomics、ST)は、空間座標に整列した遺伝子発現プロファイルをキャプチャする手法である。 本稿では,提案ツールSUICAを用いて,STを連続的かつコンパクトにモデル化する。 グラフ拡張オートエンコーダを組み込んで,非構造化スポットのコンテキスト情報を効果的にモデル化する。
  論文  参考訳（メタデータ） (2024-12-02T05:02:18Z)
• 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)
• Reads2Vec: Efficient Embedding of Raw High-Throughput Sequencing Reads Data [2.362412515574206]
  本稿では,アライメント不要な埋め込み手法であるReads2Vecを提案する。 シミュレーションデータを用いた実験により,提案手法は既存のアライメントフリーベースラインとは対照的に,より優れた分類結果とより優れたクラスタリング特性が得られることが示された。
  論文  参考訳（メタデータ） (2022-11-15T16:19:23Z)

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。