ICMLJul, 2022

COEM: 跨模态嵌入用于元细胞识别

PDF
TL;DR该研究提出了一种名为 COEM 的算法，能够利用同一个细胞中多种分子测量值的信息来进行 metacell 的聚类，以实现更精确和分辨率更高的结果，并且有效地提高了基因调控的推断任务的性能。
metacellssingle-cell profilingmulti-omicscoemgene regulatory inference
发现论文，激发创造
  • 基于回归的多模态单细胞数据整合策略分析

    利用多模式单细胞技术，通过整合不同数据类型并建模模态之间的相互关系，为疾病生物标志物检测和药物发现提供了改进，实验结果表明机器学习技术对于建模细胞发展中 DNA 到 RNA 及蛋白质之间的协变性具有显著效果，有望推动对细胞分化和功能的理解并发挥机器学习的潜能。

    Nov, 2023

  • 不完整调性下的群体间单细胞数据联合分析

    跨群体整合多组学单细胞数据的新方法，通过学习统一细胞表达，实现无需全模态参考样本的跨域关系和特征填充，为单细胞聚类、分类和特征填充等任务提供了稳健的解决方案。

    May, 2024

  • 多模态单细胞数据集成的图神经网络

    本文介绍了一种名为 scMoGNN 的图神经网络框架，用于多模态单细胞技术数据的模态预测，模态匹配和联合嵌入，取得了 SOTA 的成果，并在 NeurIPS 2021 竞赛中获胜，所有实现都已整合到 DANCE 软件包中。

    Mar, 2022

  • 跨模态检索的概率嵌入

    本研究提出了一种基于概率交叉模态嵌入的跨模态检索方法，该方法能够捕捉到一个图像或者一句话与多个相应图像或句子间的一对多关系。我们通过在 CUB 数据集上测试，证明了该方法不仅能提高检索性能，而且可以提供可解释性和不确定性的嵌入表示。

    Jan, 2021

  • 显微镜图像中基于对象为中心的细胞实例分割的无监督学习

    基于目标中心的嵌入图像分割方法在显微镜图像中展示了卓越的结果，减少了所需的标注数量。

    Oct, 2023

  • CLCLSA: 交叉组学链接嵌入，基于对比学习和自注意力的多组学一体化方法，可处理不完整的多组学数据

    本文提出了一种基于深度学习的多组学（multi-omics）数据集成方法 CLCLSA，利用跨组学自动编码器学习生物数据的特征表示，采用多组学对比学习和自关注机制实现数据集成，通过在四个数据集上的实验证明其在应用不完整数据进行多组学分类上具有优异性能。

    Apr, 2023

  • 统一建模增强的精准神经肿瘤多模态学习

    通过使用一种层次化注意结构，我们介绍了一种统一建模增强多模态学习（UMEML）框架，该框架整合了组织学图像和基因组学，以在显微镜级别和分子级别上实现对肿瘤的精确治疗，并通过利用两种模态的共享和互补特征有效地进行建模。

    Jun, 2024

  • MEDIAR: 多模式显微镜数据中心和模型中心的协调

    用于多模态高分辨率显微镜图像的弱监督细胞分割是一个基本任务。本文提出了 MEDIAR，这是一个周全的细胞实例分割流程，将数据中心和模型中心方法相结合，实现了在多模态下的高效分割。

    Dec, 2022

  • EEML: 集成嵌入式元学习

    本文提出一种基于梯度元学习的嵌入式集成元学习算法 (EEML)，该算法显式地利用多模型集成将先前任务的先验知识组织成不同的特定专家，并依赖于任务嵌入聚类机制，在训练过程中将不同的任务交给匹配的专家并指导专家在测试阶段如何协作。实验证明，该方法在少样本学习问题上显著优于最近的最新技术。

    Jun, 2022

  • sc-OTGM：通过在高斯混合物流形上解决最优质量传输的单细胞扰动建模

    通过使用单细胞基因组学数据，我们提出了一种名为 sc-OTGM 的简化模型，它通过无监督学习实现了细胞状态分类和基因干扰响应预测，并且在分析差异基因表达，基因推荐系统以及生成特定细胞状态的合成单细胞 RNA 测序数据方面表现出良好的效果。

    May, 2024