論文の概要: scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement
- arxiv url: http://arxiv.org/abs/2605.18576v1
- Date: Mon, 18 May 2026 15:55:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.990445
- Title: scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement
- Title（参考訳）: scHelix: Explicit Gene-Level Disentanglementによる非対称デュアルストリーム統合
- Abstract要約: scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
- 参考スコア（独自算出の注目度）: 84.88065404629079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A critical challenge in single-cell RNA sequencing (scRNA-seq) integration is resolving the tension between eliminating batch effects and maintaining biological fidelity. While recent evidence indicates that batch effects manifest heterogeneously across genes, most existing methods process the transcriptome uniformly, frequently resulting in over-correction and loss of subtle biological signals. To address this, we present scHelix, a dataset-adaptive framework that fundamentally changes how features are processed by explicitly partitioning genes into domain-invariant Anchors and domain-sensitive Variants at the input level. scHelix utilizes a dual-stream sparse diffusion encoder equipped with stop-gradient graph caching to efficiently learn multi-scale structural representations. The core of our approach is a novel asymmetric Align-Refine-Fuse protocol: the unstable Variant stream is first aligned to the robust topology of the Anchor stream, followed by a conservative refinement phase where the Anchor stream absorbs denoised details via bounded residual gating. This divide-and-conquer architecture prevents shortcut learning and ensures robust batch removal without compromising the integrity of biological clusters. Extensive benchmarking demonstrates that scHelix outperforms state-of-the-art methods.
- Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)統合における重要な課題は、バッチ効果の排除と生物学的忠実性の維持の間の緊張を解消することである。
最近の証拠は、バッチ効果が遺伝子間で不均一に現れることを示しているが、既存のほとんどの方法は、転写産物を均一に処理し、しばしば過度に補正され、微妙な生物学的シグナルが失われる。
これを解決するために、入力レベルで遺伝子をドメイン不変のAnchorとドメイン依存変数に明示的に分割することで、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである scHelix を紹介します。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用して、マルチスケールな構造表現を効率的に学習する。
不安定なVariantストリームは、まずアンコールストリームのロバストトなトポロジーに整列し、続いてアンコールストリームが有界残差ゲーティングによって分極された詳細を吸収する保守的な精細化フェーズが続く。
この分別型アーキテクチャは、ショートカット学習を防止し、生物学的クラスタの整合性を損なうことなく、堅牢なバッチ除去を保証する。
大規模なベンチマークは、scHelixが最先端のメソッドより優れていることを示している。
関連論文リスト
- Null-Space Diffusion Restoration with Adaptive Uncertainty-Guided Fusion for Ultrasound Speckle Reduction [2.081691729410268]
超音波Bモードイメージングは通常、スペックルノイズやアーティファクトに悩まされる。
新しい不確実性誘導型ヌル空間拡散(UGNS)フレームワークは、安定化された正エンベローププロキシ上での整合性を強制する。
UGNSは細かな空間分解能を保ちながらスペックルノイズを効果的に抑制することが検証された。
論文 参考訳（メタデータ） (2026-08-30T14:45:13Z) - Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。
既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。
本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
論文 参考訳（メタデータ） (2026-07-08T09:27:15Z) - DriftST: One-Step Generative Inference of Spatial Transcriptomics from H\&E Histology [11.977375064177354]
ヘマトキシリンとエオシン染色組織学から直接の発現を推定することは、費用対効果の代替となる。
H&E画像から空間的に解決された遺伝子発現を推定する統合フレームワークDriftSTを提案する。
ジェネリックな遺伝子パネル表現で操作すると、DriftSTは1つのフレームワークのスポットレベルとセルレベルの両方のデータに直接適用される。
論文 参考訳（メタデータ） (2026-07-06T07:22:58Z) - Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data [0.0]
ASCENDは、既知の2層構造を利用してゲノムスケールの因果発見を可能にする制約ベースのフレームワークである。
ASCENDは、祖先関係を正確に回復し、既存の遺伝子制御ネットワーク推論手法よりも適切に、はるかに高速にスケールする。
上流レギュレータ(SNP、メチル化部位など)と下流応答(遺伝子発現など)を共同で測定するマルチオミックデータの統合に特に適している。
論文 参考訳（メタデータ） (2026-07-05T22:22:35Z) - Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。
事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。
高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。
本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。
SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文 参考訳（メタデータ） (2026-05-23T17:42:25Z) - DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。
本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
論文 参考訳（メタデータ） (2026-05-13T20:43:29Z) - CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation [1.8012666291588018]
本稿では,単一セルと空間的マルチオミクスを統一したスケーラブルなマルチモーダル基盤モデルであるCellxPertを紹介する。
CellxPertはトランスクリプトーム(scRNA-seq)、アクセシビリティー・アクセシビリティー・アクセシビリティ(ATAC-seq)、表面プロテオーム(CITE-seq)を共同でコードする。
細胞型アノテーション,摂動応答予測,マルチオミック統合において,CellxPertは古典的および最先端のベースラインを超越していることを示す。
論文 参考訳（メタデータ） (2026-04-30T21:34:16Z) - Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation [1.8848440735415501]
多発性免疫蛍光(mIF)は、無傷組織構造内の複数のバイオマーカーの同時定量を可能にする。
仮想染色は、広く利用可能な光電化学(IHC)からmIFチャネルを合成することができるが、現在のトランスレータは、核形態を明示的に制限することなくピクセルレベルの忠実度を最適化する。
この研究は、事前訓練された核分割基礎モデルから連続セル確率マップを注入する、監督不要でアーキテクチャに依存しない条件付け戦略を導入する。
論文 参考訳（メタデータ） (2026-03-17T06:25:50Z) - 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) - Double Helix Diffusion for Cross-Domain Anomaly Image Generation [47.093354259479234]
本稿ではDH-Diff(Double Helix Diffusion)について紹介する。DH-Diffは高忠実度異常画像と画素レベルのアノテーションマスクを同時に合成する新しいクロスドメイン生成フレームワークである。
DH-Diffは二重ヘリックスにインスパイアされたユニークなアーキテクチャを採用し、特徴分離、接続、マージのために異なるモジュールをサイクリングする。
大規模な実験により、DH-Diffは多様性と信頼性において最先端の手法を著しく上回り、下流異常検出性能は大幅に向上した。
論文 参考訳（メタデータ） (2025-09-16T08:06:07Z) - 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) - RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency [11.813883157319381]
ランク付けに基づくアライメント損失を用いて、遺伝子と画像の特徴を整列する新しいフレームワークを提案する。
そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,アライメントの安定性をさらに向上させる。
論文 参考訳（メタデータ） (2024-11-22T17:08:28Z) - DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with
GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。
既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。
本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文 参考訳（メタデータ） (2023-02-08T16:36:40Z)
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。