論文の概要: Data-Driven Soft Labeling Scales DNA Read Classification to Whole-Body Cell-Type Deconvolution

• arxiv url: http://arxiv.org/abs/2607.04987v1
• Date: Mon, 06 Jul 2026 12:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.147172
• Title: Data-Driven Soft Labeling Scales DNA Read Classification to Whole-Body Cell-Type Deconvolution
• Title（参考訳）: データ駆動型Soft Labelingは、全体細胞型デコンボリューションにDNA読み取りの分類をスケールする
• Abstract要約: 我々はSytoについて紹介する。Sytoは読み取りレベルの分類に基づくデコンボリューションのための新しいモジュラーフレームワークである。 39のヒト細胞型の全身アトラスでは、SytoはSOTAよりもMSEを2.56$times$で還元する。 Sytoは、ますます大きな細胞型パネルのモデリングの基礎を築き、生物学や医療にも応用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cell-type deconvolution, the task of estimating the proportions of constituent cell types in a heterogeneous biological sample, is a core problem in computational biology. Methods that rely on epigenetic marks such as DNA methylation typically operate on aggregated methylation estimates, discarding the pattern-level information carried by individual DNA reads. Existing read-level approaches that exploit this information are scarce, and all remain restricted to few-class settings; scaling them further is an open problem because, at scale, non-discriminative reads dominate and hard labels conflict with the many-to-many mapping between methylation patterns and cell types, preventing classifier convergence. To overcome this, we propose data-driven soft labels that estimate the conditional cell-type distribution for each read, and integrate this scheme into Syto, a new modular framework for read-level classification-based deconvolution. On a whole-body atlas of 39 human cell types, Syto reduces MSE by 2.56$\times$ over SoTA, with gains transferring to an out-of-distribution dataset spanning 16 tissues. Syto lays the foundation for modeling increasingly large cell-type panels, with improved applications in biology and healthcare. The proposed soft-labeling scheme is further translatable to any setting with a many-to-many signal-to-label mapping.
• Abstract（参考訳）: 不均一な生体試料中の構成細胞型の割合を推定するタスクである細胞型脱畳は、計算生物学における中核的な問題である。 DNAメチル化のようなエピジェネティックマークに依存する手法は、通常、集約されたメチル化推定に基づいて動作し、個々のDNA読み取りによって運ばれるパターンレベルの情報を破棄する。 この情報を利用する既存の読み取りレベルのアプローチは乏しく、すべてが少数の設定に制限されている。さらに拡張することはオープンな問題であり、これは、大規模では非識別的な読み取りが支配的であり、ハードラベルはメチル化パターンと細胞型の間の多対多のマッピングと矛盾し、分類器の収束を妨げているためである。 そこで本研究では,各読み出し条件のセル型分布を推定するデータ駆動型ソフトラベルを提案し,このスキームをSytoと統合し,読み出しレベル分類に基づくデコンボリューションのための新しいモジュラーフレームワークを提案する。 39種類のヒト細胞に対して、SytoはMSEを2.56$\times$で還元し、16の組織にまたがる分布外のデータセットに転送する。 Sytoは、ますます大きな細胞型パネルのモデリングの基礎を築き、生物学や医療にも応用している。 提案したソフトラベル方式は、多対多の信号-ラベルマッピングを持つ任意の設定にさらに変換可能である。

関連論文リスト

• 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)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• 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)
• Adaptive Multi-Scale Integration Unlocks Robust Cell Annotation in Histopathology Images [3.504506659662406]
  我々はXenium空間転写学からマーカー誘導されたデータセットを構築し、8つの臓器に200万セル以上の単一セル解像度ラベルを付けた。 我々は,核形態学と微小環境コンテキストの細胞レベルでのマルチスケール統合のための病理学ワークフローにインスパイアされたフレームワークであるNuClassを紹介する。 以上の結果から,多スケールで不確実性を考慮した核融合は,スライドレベルの病態基盤モデルと信頼度の高い細胞レベルの表現型予測とのギャップを埋める可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-17T16:49:59Z)
• 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)
• HistoSmith: Single-Stage Histology Image-Label Generation via Conditional Latent Diffusion for Enhanced Cell Segmentation and Classification [0.19791587637442667]
  本研究は, 画像ラベルペア生成のための新しい単一ステージアプローチを導入し, 組織学データセットを増強する。 ラベル生成と画像生成を分離した拡散モデルを用いる最先端の手法とは異なり,本手法では遅延拡散モデルを用いる。 このモデルは、細胞タイプ、量、組織タイプなどのユーザ定義パラメータを条件付けすることで、データ生成の調整を可能にする。
  論文  参考訳（メタデータ） (2025-02-12T19:51:41Z)
• Hierarchical novel class discovery for single-cell transcriptomic profiles [1.6385815610837167]
  我々は発達生物学の文脈で得られたデータセットに焦点をあて、分化過程が階層構造へと導く。 ラベル付きデータとラベルなしデータの両方がトレーニング時に利用できるが、ラベル付きデータのラベルと、ラベルなしデータのラベルのセットは相容れない。 本研究の目的は、データのクラスタ化とラベル付きクラスタのマッピングという2つの目的を達成することである。我々は、問題を解くためのk-MeansとGMMクラスタリング手法の拡張を提案し、人工的および実験的な転写データセットの比較結果を報告する。
  論文  参考訳（メタデータ） (2024-09-09T16:49:09Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• 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)
• Uncertainty Quantification for Atlas-Level Cell Type Transfer [0.4893345190925178]
  単細胞基準アトラスを用いた細胞型分類のための不確実性定量法を提案する。 4つのモデルクラスをベンチマークし、現在使用されているモデルに校正、堅牢性、動作可能な不確実性スコアがないことを示す。 アトラスレベルの細胞型移動の設定において、不確実性を定量化するモデルが、未知の細胞型を検出するのにどのように適しているかを実証する。
  論文  参考訳（メタデータ） (2022-11-07T16:08:28Z)
• A biology-driven deep generative model for cell-type annotation in cytometry [0.0]
  Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。 Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。 さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
  論文  参考訳（メタデータ） (2022-08-11T10:50:44Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)

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。