論文の概要: hSNMF: Hybrid Spatially Regularized NMF for Image-Derived Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2602.02638v1
• Date: Mon, 02 Feb 2026 18:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.999562
• Title: hSNMF: Hybrid Spatially Regularized NMF for Image-Derived Spatial Transcriptomics
• Title（参考訳）: hSNMF:画像化空間トランスクリプトークスのためのハイブリッド空間正規化NMF
• Authors: Md Ishtyaq Mahmud, Veena Kochat, Suresh Satpati, Jagan Mohan Reddy Dwarampudi, Humaira Anzum, Kunal Rai, Tania Banerjee,
• Abstract要約: 我々は,腫瘍マイクロアレイ(TMA)組織の高分解能画像をキャプチャするXeniumプラットフォームからのデータを分析する。 空間転写学の非負行列分解(NMF)を2つの空間正規化変種を導入してベンチマークし,拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution spatial transcriptomics platforms, such as Xenium, generate single-cell images that capture both molecular and spatial context, but their extremely high dimensionality poses major challenges for representation learning and clustering. In this study, we analyze data from the Xenium platform, which captures high-resolution images of tumor microarray (TMA) tissues and converts them into cell-by-gene matrices suitable for computational analysis. We benchmark and extend nonnegative matrix factorization (NMF) for spatial transcriptomics by introducing two spatially regularized variants. First, we propose Spatial NMF (SNMF), a lightweight baseline that enforces local spatial smoothness by diffusing each cell's NMF factor vector over its spatial neighborhood. Second, we introduce Hybrid Spatial NMF (hSNMF), which performs spatially regularized NMF followed by Leiden clustering on a hybrid adjacency that integrates spatial proximity (via a contact-radius graph) and transcriptomic similarity through a tunable mixing parameter alpha. Evaluated on a cholangiocarcinoma dataset, SNMF and hSNMF achieve markedly improved spatial compactness (CHAOS < 0.004, Moran's I > 0.96), greater cluster separability (Silhouette > 0.12, DBI < 1.8), and higher biological coherence (CMC and enrichment) compared to other spatial baselines. Availability and implementation: https://github.com/ishtyaqmahmud/hSNMF
• Abstract（参考訳）: Xeniumのような高解像度空間転写学プラットフォームは、分子と空間の両方をキャプチャする単一セル画像を生成するが、その非常に高次元性は、表現学習とクラスタリングに大きな課題をもたらす。 本研究では,腫瘍マイクロアレイ(TMA)組織の高分解能像を解析し,計算解析に適した細胞間マトリックスに変換するXeniumプラットフォームのデータを分析する。 空間転写学の非負行列分解(NMF)を2つの空間正規化変種を導入してベンチマークし,拡張する。 まず,各セルのNMF因子ベクトルをその空間近傍に拡散させることにより局所的な空間的滑らかさを実現する軽量なベースラインである空間的NMFを提案する。 第2に、空間正規化NMFを実行するHybrid spatial NMF(hSNMF)を導入し、次いでLiedenクラスタリングにより、(接触半径グラフを介して)空間近接と転写類似性を調整可能なミキシングパラメータαを介して統合するハイブリッドアジャシエイトに接続する。 胆管癌データセットに基づいて評価したSNMFとhSNMFは,空間的コンパクト性(CHAOS < 0.004, Moran's I > 0.96),クラスタ分離性(Silhouette > 0.12, DBI < 1.8),高生物学的コヒーレンス(CMC, エンリッチメント)を他の空間ベースラインと比較した。 可用性と実装:https://github.com/ishtyaqmahmud/hSNMF

関連論文リスト

• A Multi-scale Fused Graph Neural Network with Inter-view Contrastive Learning for Spatial Transcriptomics Data Clustering [7.214595408714774]
  畳み込み後の空間的特徴と遺伝子的特徴を動的に統合するために,階層的に相互に注目するマルチスケールな相互融合グラフネットワークstMFGを提案する。 最先端の手法よりも優れており、特定のスライスで最大14%のARI改善を実現している。
  論文  参考訳（メタデータ） (2025-12-18T05:13:55Z)
• 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)
• SPHENIC: Topology-Informed Multi-View Clustering for Spatial Transcriptomics [0.8830938707508663]
  本研究では,空間持続的ホモロジー強化近傍クラスタリング手法であるSPHENICを提案する。 SPHENICは、安定した表現学習を実現するために、不変なトポロジ的特徴をクラスタリングネットワークに組み込む。 本研究では,空間クラスタリングタスクにおいてSPHENICが優れた性能を発揮し,既存の最先端手法よりも3.31%-6.54%向上したことを示す。
  論文  参考訳（メタデータ） (2025-08-14T13:43:28Z)
• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• Enhanced High-Dimensional Data Visualization through Adaptive Multi-Scale Manifold Embedding [0.7705234721762716]
  本稿では,適応型マルチスケールマニフォールド埋め込み (AMSME) アルゴリズムを提案する。 順序距離を導入することで、高次元空間における次元性の呪いの制約を克服できることが示される。 実験により,AMSMEはクラスタ内トポロジ構造を著しく保存し,クラスタ間分離を改善した。
  論文  参考訳（メタデータ） (2025-03-18T06:46:53Z)
• Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
  空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。 現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。 本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T00:32:24Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)

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。