論文の概要: scHFBiMamba: a bidirectional Mamba autoencoder for cardiac disease-state classification from single-nucleus RNA-seq data

• arxiv url: http://arxiv.org/abs/2610.15117v1
• Date: Sat, 10 Oct 2026 18:47:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.164903
• Title: scHFBiMamba: a bidirectional Mamba autoencoder for cardiac disease-state classification from single-nucleus RNA-seq data
• Title（参考訳）: scHFBiMamba : 単核RNA-seqデータを用いた心筋疾患状態分類のための双方向Mambaオートエンコーダ
• Abstract要約: scHFBiMambaは、正確なマルチタスク予測と仮説生成遺伝子レベルでの解釈を可能にする。 BiMambaAEは16,545個の遺伝子プロファイルを13.2Mパラメータを使って350次元の潜在表現にマッピングする。
• 参考スコア（独自算出の注目度）: 0.9176056742068811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To evaluate whether a compact bidirectional state-space autoencoder improves joint classification of species, cell type, and disease state from single-nucleus RNA-sequencing profiles in heart failure (HF), while yielding interpretable gene attributions. Building on the dense denoising autoencoder (DAE) and MLP framework of Ruz Jurado et al., we developed scHFBiMamba, combining a bidirectional Mamba autoencoder (BiMambaAE) with an MLP head. BiMambaAE maps 16,545-gene profiles to 350-dimensional latent representations using 13.2M parameters, about 14.6-fold fewer than the dense DAE (192.9M). We compared six encoder-classifier configurations on 38,275 held-out cardiac nuclei using McNemar tests with Benjamini-Hochberg correction, and assessed nine classifiers on frozen representations. Biological relevance was evaluated by comparing SHAP-derived differentially explained genes with differentially expressed genes against curated HF-related Gene Ontology keywords. BiMambaAE+MLP achieved the highest aggregate F1: pooled macro-F1 across 13 outputs was 0.966 versus 0.957 for DAE+MLP, and the mean category macro-F1 was 0.977 versus 0.970. It significantly improved cell-type and disease-state accuracy (adjusted p=7.1e-3 and p=4.8e-6, respectively), with species F1 of 1.000. SHAP-derived differentially explained genes achieved a pathway-enrichment benchmark F1 of 0.105 versus 0.053 for differentially expressed genes. Compact bidirectional state-space autoencoders can outperform substantially larger dense autoencoders for joint cardiac transcriptomic classification while reducing parameters. scHFBiMamba enables accurate multi-task prediction and hypothesis-generating gene-level interpretation. Code: https://github.com/UgoLomoio/scHFBiMamba.
• Abstract（参考訳）: 心臓不全(HF)における単一核RNA配列プロファイルからの種、細胞型、疾患状態の結合分類を改善しつつ、解釈可能な遺伝子属性を得られながら、コンパクトな双方向状態空間オートエンコーダが向上するか否かを評価する。 両方向のMamba autoencoder (BiMambaAE) とMLPヘッドを組み合わせた scHFBiMamba を開発した。 BiMambaAE は 16,545 個の遺伝子プロファイルを 13.2M パラメータを用いて350次元の潜在表現にマッピングし、密度の強いDAE (192.9M) よりも約 14.6 倍小さい。 我々はMcNemarテストとBenjamini-Hochberg補正を用いて,38,275個の心筋核上のエンコーダ分類器の6つの構成を比較し,凍結表現の9つの分類器について検討した。 HF関連遺伝子オントロジーキーワードと比較し,SHAP由来の差分分解遺伝子と差分発現遺伝子を比較した。 BiMambaAE+MLP は DAE+MLP では 0.966 対 0.957 であり, 平均マクロF1 は 0.977 対 0.970 である。 細胞型と疾患状態の精度(それぞれp=7.1e-3とp=4.8e-6)を大きく改善し、F1種は1.000である。 SHAP由来の差分説明遺伝子は、差分表現された遺伝子に対して0.105対0.053の経路富化ベンチマークF1を達成した。 コンパクトな双方向状態空間オートエンコーダは、パラメータを減少させながら、関節型心トランスクリプトーム分類のためのかなり大きな高密度オートエンコーダより優れる。 scHFBiMambaは、正確なマルチタスク予測と仮説生成遺伝子レベルでの解釈を可能にする。 コード:https://github.com/UgoLomoio/scHFBiMamba。

関連論文リスト

• Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes [35.18016233072556]
  Evo 2のようなゲノム基盤モデルは、リッチなシーケンス表現を学習するが、バイオセキュリティスクリーニングの価値はほとんど探索されていない。 凍結したEvo2層26の活性化に対して、最小限の線形および注意プローブを訓練することにより、これらの表現の中でどの程度のバイオセキュリティ関連信号が線形にアクセスできるかを問う。 保持されたメダゲノミクステストセット全体で、プローブは強い差別で抗菌抵抗を検出する。
  論文  参考訳（メタデータ） (2026-07-15T17:38:02Z)
• Donor-Aware scRNA-seq Benchmarks for IBD Classification [0.0]
  単細胞RNAシークエンシング(scRNA-seq)からのドナーレベルの疾患分類には、厳格なドナー認識クロスバリデーションが必要である。 2つの独立したIBDアトラスにまたがる3つの特徴表現を評価するドナー・アウェア・ベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-05-05T02:13:43Z)
• Rare Genomic Subtype Discovery from RNA-seq via Autoencoder Embeddings and Stability-Aware Clustering [0.0]
  UCI "Gene Expression Cancer RNA-Seq"データセット(801のサンプル、20,531の遺伝子)では、膵臓分析により、ほぼ完全に起源の組織と整列するクラスターが否定的な制御として機能していることが示された。 我々は、上位2000個の高可変遺伝子を選択し、それらを標準化し、フィードフォワードオートエンコーダ(128次元潜在空間)を訓練し、k = 2-10でk-meansを実行する。 大域的な指標は小さいkを好むが、事前に監督された発見規則(ハンガリーのアライメント後の20種に対してジャカード>=0.60)でkをスキャンすると、k = 5で簡単な解が得られる。
  論文  参考訳（メタデータ） (2025-11-17T18:53:43Z)
• DNABERT-2: Fine-Tuning a Genomic Language Model for Colorectal Gene Enhancer Classification [0.0]
  DNABERT-2は、DNAから可変長トークンを学習するためにバイトペアエンコーディングを使用するトランスフォーマーゲノム言語モデルである。 遺伝子エンハンサーは、いつ、どこで遺伝子がスイッチされるかを制御するが、その配列の多様性と組織特異性は、大腸癌の特定を困難にしている。 大腸癌におけるBPEトークン化を用いた第2世代のゲノム言語モデルを適用した最初の研究である。
  論文  参考訳（メタデータ） (2025-09-28T16:10:03Z)
• Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
  冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。 非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。 このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
  論文  参考訳（メタデータ） (2025-09-04T04:54:02Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Assessing Concordance between RNA-Seq and NanoString Technologies in Ebola-Infected Nonhuman Primates Using Machine Learning [0.0]
  エボラウイルス(EBOV)感染非ヒト霊長類の遺伝子発現解析におけるRNAシークエンシング(RNA-Seq)とNanoString技術の比較を行った。 ナノストリングデータに基づいてトレーニングされたSupervised Magnitude-Altitude Scoring (SMAS) 手法を用いた機械学習手法では,RT-qPCR陽性を陰性試料と区別する鍵マーカーとしてOAS1が同定された。 OAS1はまた、ロジスティック回帰を用いて感染していないサンプルの識別を100%精度で達成し、プラットフォーム間の堅牢性を実証した。
  論文  参考訳（メタデータ） (2024-10-30T20:21:20Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)

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。