論文の概要: scGTN: Deep Siamese Graph Transformer Network for Single-cell RNA Sequencing Clustering

• arxiv url: http://arxiv.org/abs/2606.18672v1
• Date: Wed, 17 Jun 2026 04:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.999329
• Title: scGTN: Deep Siamese Graph Transformer Network for Single-cell RNA Sequencing Clustering
• Title（参考訳）: scGTN:シングルセルRNAシークエンシングクラスタリングのためのディープシームスグラフトランスネットワーク
• Authors: Jinke Wu, Yifan Wang, Siyu Yi, Caiyang Yu, Ziyue Qiao, Nan Yin, Jiancheng Lv, Wei Ju,
• Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は、遺伝子発現を細胞内レベルで特徴づける重要な役割を担っている。 深層シームズグラフ変換器ネットワーク(ScGTN)を用いた単一セルRNA-seqクラスタリングフレームワークを提案する。 scGTNは既存のメソッドよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 35.886337545978364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) serves a pivotal role in characterizing gene expression at the cellular level, enabling the identification of cell types and advancing the understanding of cellular heterogeneity. Despite the significant progress in scRNA-seq data clustering, we argue that current methods always ignore the sparsity and noise, as well as the complex intercellular structural information inherent in scRNA-seq data. Toward this end, in this paper, we propose a novel single-cell RNA-seq clustering framework via deep Siamese Graph Transformer Network (termed scGTN), which explicitly integrates gene expression profile and intercellular structural dependencies for cell clustering. In particular, we formulate scRNA-seq data as a graph and construct two augmented graph views that serve as dual views to capture complementary intercellular information. Then, a Siamese graph transformer network is employed to explicitly incorporate shortest-path information and node-wise distances for capturing richer structural relationships between cells. Finally, we employ an optimal transport strategy to guide the cell clustering in a self-supervised manner. Extensive experiments on multiple benchmark scRNA-seq datasets demonstrate that our scGTN consistently outperforms existing methods. Our code is available at https://github.com/W-RMSL/scGTN.
• Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は、遺伝子発現を細胞レベルで特徴づける重要な役割を担い、細胞型の同定と細胞多様性の理解を促進する。 scRNA-seqデータクラスタリングの著しい進歩にもかかわらず、現在の手法は、scRNA-seqデータに固有の複雑な細胞間構造情報と同様に、常に空間性やノイズを無視する。 そこで本研究では,深層シームズグラフトランスフォーマーネットワーク(scGTN)を介し,遺伝子発現プロファイルと細胞クラスタリングの細胞間構造依存性を明示的に統合した単一セルRNA-seqクラスタリングフレームワークを提案する。 特に,ScRNA-seqデータをグラフとして定式化し,二重ビューとして機能する2つの拡張グラフビューを構築して,相補的な細胞間情報をキャプチャする。 次に、セル間のよりリッチな構造関係を捉えるために、最短パス情報とノードワイズ距離を明示的に組み込むために、シームズグラフトランスフォーマーネットワークを用いる。 最後に,セルクラスタリングを自己管理的に誘導するために,最適な輸送戦略を用いる。 複数のベンチマークscRNA-seqデータセットに対する大規模な実験は、我々のscGTNが既存のメソッドを一貫して上回っていることを示している。 私たちのコードはhttps://github.com/W-RMSL/scGTN.comで公開されています。

関連論文リスト

• RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction [48.07329582311906]
  本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。 スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
  論文  参考訳（メタデータ） (2026-05-12T06:48:58Z)
• Bipartite Graph Attention-based Clustering for Large-scale scRNA-seq Data [12.341331216251582]
  グラフトランスフォーマーベースのモデルのような既存のscRNA-seqクラスタリングの方法は、各セルをシーケンス内のトークンとして扱う。 そこで本研究では,ScRNA-seqデータに対するBipartite Graph Transformerベースのクラスタリングモデルを提案する。 BGFormerは、セルの数に関して線形計算の複雑さを達成し、大規模なデータセットにスケーラブルにする。
  論文  参考訳（メタデータ） (2026-02-07T10:10:18Z)
• scSiameseClu: A Siamese Clustering Framework for Interpreting single-cell RNA Sequencing Data [33.191442026962186]
  単細胞RNAシークエンシング(scRNA-seq)は細胞不均一性を示す。 細胞クラスタリングは、細胞タイプとマーカー遺伝子の同定において重要な役割を担っている。 グラフニューラルネットワーク(GNN)ベースの手法はクラスタリング性能を大幅に改善した。 scSiameseCluはシングルセルRNA-seqデータを解釈するための新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-05-19T02:17:09Z)
• scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
  scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。 本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。 scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
  論文  参考訳（メタデータ） (2024-08-09T09:10:36Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• 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)
• scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain [46.39828178736219]
  我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。 scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。 これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
  論文  参考訳（メタデータ） (2023-10-04T10:30:08Z)

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。