論文の概要: Nonparametric Hypothesis Testing of High-dimensional Clustering With Application to Single-cell RNA Data
- arxiv url: http://arxiv.org/abs/2609.05683v1
- Date: Fri, 04 Sep 2026 19:36:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 12:53:53.712665
- Title: Nonparametric Hypothesis Testing of High-dimensional Clustering With Application to Single-cell RNA Data
- Title（参考訳）: 高次元クラスタリングの非パラメトリック仮説テストと単細胞RNAデータへの応用
- Abstract要約: 単細胞RNAシークエンシングの研究では、クラスタリングを用いて細胞の種類や細胞状態を定義する。
本稿では,高次元データにおけるそのようなクラスタリング構造の形式的意義試験について検討する。
SigClust-LCPは1つのクラスタを対数凹面分布でモデル化する非パラメトリック拡張である。
- 参考スコア（独自算出の注目度）: 10.858398734886187
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Single-cell RNA sequencing studies routinely use clustering to define putative cell types and cell states, yet the observed separation may arise from sampling variability rather than genuine biological heterogeneity. This paper studies formal significance testing of such clustering structure in high-dimensional data. Existing SigClust methods assess clustering significance through Monte Carlo simulation under a Gaussian single-cluster null, but this assumption can be unreliable for normalized gene expression data and other non-Gaussian settings. We propose SigClust-LCP, a nonparametric extension that models a single cluster by a log-concave distribution. To make this approach computationally feasible in moderate to high dimensions, we develop a score-matching estimator for log-concave projection inspired by recent generative modeling ideas. We establish theoretical guarantees for the estimator and for its use in clustering significance testing. Simulations show that SigClust-LCP controls Type-I error more reliably than existing methods across a range of unimodal and mixture distributions while retaining competitive power. In a single-cell RNA sequencing analysis of Hydra cells, the method avoids spurious subclusters within annotated cell populations and supports biologically meaningful separation across lineages and body-axis regions.
- Abstract（参考訳）: 単細胞RNAシークエンシングの研究では、クラスタリングを用いて細胞の種類や細胞状態を定義するが、観察された分離は、真の生物学的不均一性ではなく、サンプルの多様性から生じる可能性がある。
本稿では,高次元データにおけるそのようなクラスタリング構造の形式的意義試験について検討する。
既存のSigClust法は、ガウスの単一クラスタヌルの下でモンテカルロシミュレーションを用いてクラスタリングの意義を評価するが、正規化された遺伝子発現データや他の非ガウス的な設定では信頼性が低い。
SigClust-LCPは1つのクラスタを対数凹面分布でモデル化する非パラメトリック拡張である。
この手法を中等度から高次元で計算可能とするために,近年のジェネレーティブ・モデリングのアイデアから着想を得た対数凹凸投影のためのスコアマッチング推定器を開発した。
我々は,推定器の理論的保証と,クラスタリング重要度テストにおけるその利用を確立する。
シミュレーションにより、SigClust-LCPは、競争力を維持しながら、様々な非潮流および混合分布の既存の方法よりも確実にType-Iエラーを制御していることが示された。
ハイドラ細胞の単一細胞RNAシークエンシング解析において、アノテートされた細胞集団内の急激なサブクラスターを回避し、系統および体軸領域間で生物学的に有意な分離をサポートする。
関連論文リスト
- Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Turtle shell clustering: A mixture approach to discriminative clustering with applications to flow cytometry and other data [0.254890465057467]
クラスタリングに対する生成的アプローチは、クラスタの幾何学的性質に関する情報を提供する。
識別的アプローチはクラスタ間のバウンダリを提供する。
完全教師なし,確率的,差別的なクラスタリング手法を提案する。
論文 参考訳（メタデータ） (2026-04-25T00:33:30Z) - Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。
共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
論文 参考訳（メタデータ） (2025-11-23T00:50:33Z) - Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。
我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。
本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-17T08:27:13Z) - Reliable data clustering with Bayesian community detection [0.0]
研究者たちはモジュール構造を明らかにするために、クラスタリングの類似性データに依存している。
しかし、階層クラスタリング、k平均、WGCNAといった広く使われているクラスタリング手法では、基本モデル選択が欠如しており、ノイズの影響を受けやすい。
一般的な回避策は相関行列表現をスパースしてクラスタリング前にノイズを除去するが、この余分なステップは任意のしきい値を導入し、構造を歪め、信頼できない結果をもたらす。
論文 参考訳（メタデータ） (2025-10-16T14:10:24Z) - 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) - Stochastic gradient descent estimation of generalized matrix factorization models with application to single-cell RNA sequencing data [39.146761527401424]
単細胞RNAシークエンシングは、個々の細胞レベルでの遺伝子発現の定量化を可能にする。
次元の減少は、サンプルの可視化、クラスタリング、表現型特徴付けに不可欠な一般的な前処理ステップである。
一般指数分散族分布を仮定した一般化行列分解モデルを提案する。
提案手法は, 数百万セルにシームレスに拡張可能であることを示し, 大規模単一セルデータセットの次元性低減を実現する。
論文 参考訳（メタデータ） (2024-12-29T16:02:15Z) - Scalable Amortized GPLVMs for Single Cell Transcriptomics Data [9.010523724015398]
大規模単細胞RNA-seqデータの解析には次元化が不可欠である。
改良されたモデル、償却変分モデル(BGPLVM)を導入する。
BGPLVMは、特殊なエンコーダ、カーネル、そして可能性設計を備えたシングルセルRNA-seq向けに調整されている。
論文 参考訳（メタデータ） (2024-05-06T21:54:38Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - A Novel Granular-Based Bi-Clustering Method of Deep Mining the
Co-Expressed Genes [76.84066556597342]
ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。
残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。
本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-12T02:04:40Z) - Blocked Clusterwise Regression [0.0]
我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。
我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
論文 参考訳（メタデータ） (2020-01-29T23:29:31Z)
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。