Fugu-MT 論文翻訳(概要): A Hierarchical Sheaf Spectral Embedding Framework for Single-Cell RNA-seq Analysis

論文の概要: A Hierarchical Sheaf Spectral Embedding Framework for Single-Cell RNA-seq Analysis

arxiv url: http://arxiv.org/abs/2603.26858v1
Date: Fri, 27 Mar 2026 13:52:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:44.668941
Title: A Hierarchical Sheaf Spectral Embedding Framework for Single-Cell RNA-seq Analysis
Title（参考訳）: 単一セルRNA系列解析のための階層型せん断スペクトル埋め込みフレームワーク
Authors: Xiang Xiang Wang, Guo-Wei We,
Abstract要約: シングルセルRNA-seqデータ解析は、通常、複数のスケールにわたる異種局所構造をキャプチャする表現を必要とする。本稿では,永続的な層層ラプラシアン解析に基づく情報的セルレベルの特徴を組み込んだ階層型層スペクトル埋め込みフレームワークを提案する。 HSSEを12個のベンチマークシングルセルRNA-seqデータセットで評価し,生物システムとデータスケールについて検討した。
参考スコア（独自算出の注目度）: 3.267205620264786
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Single-cell RNA-seq data analysis typically requires representations that capture heterogeneous local structure across multiple scales while remaining stable and interpretable. In this work, we propose a hierarchical sheaf spectral embedding (HSSE) framework that constructs informative cell-level features based on persistent sheaf Laplacian analysis. Starting from scale-dependent low-dimensional embeddings, we define cell-centered local neighborhoods at multiple resolutions. For each local neighborhood, we construct a data-driven cellular sheaf that encodes local relationships among cells. We then compute persistent sheaf Laplacians over sampled filtration intervals and extract spectral statistics that summarize the evolution of local relational structure across scales. These spectral descriptors are aggregated into a unified feature vector for each cell and can be directly used in downstream learning tasks without additional model training. We evaluate HSSE on twelve benchmark single-cell RNA-seq datasets covering diverse biological systems and data scales. Under a consistent classification protocol, HSSE achieves competitive or improved performance compared with existing multiscale and classical embedding-based methods across multiple evaluation metrics. The results demonstrate that sheaf spectral representations provide a robust and interpretable approach for single-cell RNA-seq data representation learning.
Abstract（参考訳）: シングルセルRNA-seqデータ解析は通常、安定かつ解釈可能なまま、複数のスケールにわたる異種局所構造をキャプチャする表現を必要とする。本研究では,永続的な層層ラプラシアン解析に基づく情報的セルレベルの特徴を組み込んだ階層型層スペクトル埋め込み(HSSE)フレームワークを提案する。スケール依存型低次元埋め込みから始まり、細胞中心の局所近傍を複数の解像度で定義する。各地域において,細胞間の局所的な関係を符号化するデータ駆動型細胞シーフを構築した。次に, 試料ろ過間隔で永続層ラプラシアンを計算し, 局所的な関係構造の進化を要約したスペクトル統計を抽出する。これらのスペクトル記述子は、各セルの統一された特徴ベクトルに集約され、追加のモデルトレーニングなしで下流学習タスクで直接使用できる。 HSSEを12個のベンチマークシングルセルRNA-seqデータセットで評価し,生物システムとデータスケールについて検討した。一貫した分類プロトコルの下では、HSSEは既存のマルチスケールおよび古典的な埋め込みベースの手法と比較して、複数の評価指標で競合的または改善された性能を達成する。その結果, 層スペクトル表現は単一セルRNA-seqデータ表現学習において, 頑健かつ解釈可能な手法であることがわかった。

関連論文リスト

RiboSphere: Learning Unified and Efficient Representations of RNA Structures [57.40815107640066]
RNAのバックボーンは非常に柔軟で、非カノニカル相互作用が一般的であり、実験的に決定された3D構造は比較的少ない。本稿では,ベクトル量子化とフローマッチングを組み合わせることで,RNAの固有な幾何学的表現を学習するフレームワークであるemphRiboSphereを紹介する。
論文参考訳（メタデータ） (2026-03-20T04:36:35Z)
CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization [50.559485139565076]
我々は, 多様な3次元構造表現と微細な細胞内局在アノテーションを統合するデータセットである $mathbfCAPSUL$ という新しいベンチマークを導入する。このベンチマークは、様々な最先端のシーケンスベースモデルと構造ベースモデルを用いて評価し、この課題に構造的特徴を関与させることの重要性を示す。最後に,Golgi 装置のケーススタディを通じて,構造に基づく手法の強力な解釈可能性を示す。
論文参考訳（メタデータ） (2026-03-19T07:33:04Z)
Parameter-free representations outperform single-cell foundation models on downstream benchmarks [0.0]
シングルセルRNAシークエンシング(scRNA-seq)データは、強く再現可能な統計構造を示す。 TranscriptFormerのような大規模基盤モデルは、潜在ベクトル空間に遺伝子を埋め込むことで遺伝子発現の生成モデルを学ぶ。計算集約的な深層学習に基づく表現を使わずに、類似のパフォーマンスが達成できるかどうかを問う。
論文参考訳（メタデータ） (2026-02-18T18:42:29Z)
scCluBench: Comprehensive Benchmarking of Clustering Algorithms for Single-Cell RNA Sequencing [24.35296206096082]
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。
論文参考訳（メタデータ） (2025-12-02T07:04:38Z)
Multiscale Grassmann Manifolds for Single-Cell Data Analysis [3.073258665974412]
単セルデータ解析のためのサブスペース幾何と機械学習を統合したマルチスケールフレームワークを提案する。パワーベーススケールサンプリング関数を導入し、スケールの選択と分解能間のバランスを制御した。 9つのベンチマークシングルセルRNA-seqデータセットの実験により、提案手法は意味のある構造を効果的に保存することを示した。
論文参考訳（メタデータ） (2025-11-12T19:47:10Z)
Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
論文参考訳（メタデータ） (2025-06-13T15:58:05Z)
Benchmarking and optimizing organism wide single-cell RNA alignment methods [0.0]
K-Neighbors Intersection (KNI) スコアは,バッチ効果をペナライズし,セル型ラベル予測の精度を計測する単一スコアである。本稿では,逆算学習を用いて,エンコーダとデコーダのバッチ効果をペナルライズするScVIの新たな変種として,Batch Adversarial Single-cell Variational Inference (BA-scVI)を紹介した。得られたアライメント空間では, 細胞型グルーピングの粒度が保存され, 情報を失うことなく, 有機体型マップを単一モデルで作成できるという概念が支持される。
論文参考訳（メタデータ） (2025-03-26T17:11:47Z)
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)
scRNA-seq Data Clustering by Cluster-aware Iterative Contrastive Learning [29.199004624757233]
単一細胞RNAシークエンシング(scRNA-seq)により、研究者は単一細胞レベルで遺伝子発現を解析できる。 scRNA-seqデータ分析における重要なタスクは、教師なしクラスタリングである。我々は,cRNA-seqデータクラスタリングのためのクラスタ対応反復コントラスト学習(CICL)を提案する。
論文参考訳（メタデータ） (2023-12-27T14:50:59Z)
Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文参考訳（メタデータ） (2023-04-04T17:54:32Z)

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。