Nov, 2023

基于回归的多模态单细胞数据整合策略分析

PDF
TL;DR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。
multimodal single-cell technologiesdisease biomarker detectiondrug discoverymachine learning techniquescellular differentiation and function
发现论文，激发创造
  • 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

  • 单细胞分析中的深度学习

    本文全面调研并综述了深度学习在单细胞分析中的应用现状及其在多个单细胞分析任务中的表现和优势，提供单细胞分析研究者和计算机科学家合作的参考。

    Oct, 2022

  • 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

  • 多模态细胞分割挑战：迈向通用解决方案

    细胞分割是显微图像中定量单细胞分析的关键步骤，现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准，包括超过 1500 个带标签图像，来自 50 多个不同的生物实验。前几名的参与者开发了一种基于 Transformer 的深度学习算法，不仅超越了现有方法，还可以应用于不同显微成像平台和组织类型的各种显微图像，无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。

    Aug, 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

  • HEALNet -- 混合多模态融合为异构生物医学数据

    采用新技术对医学数据进行收集，如高分辨率组织病理学和高通量基因组测序，为多模态生物医学建模提供了支持。本文介绍了一种灵活的多模态融合架构 —— 混合早期融合注意力学习网络（HEALNet），能够有效处理训练和推断中缺失的模态，提供了最新的多模态基准，并在存在缺失模态的场景中获得卓越性能。

    Nov, 2023

  • 多模态学习用于多组学研究的调查

    本文概述了多组学数据分析所面临的数据挑战，深入探讨了多模态学习和融合方法并归纳了当前已有的软件工具及开源数据集，最终提出解决方案以推动多组学数据分析的发展。

    Nov, 2022

  • COEM: 跨模态嵌入用于元细胞识别

    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。

    Jul, 2022

  • 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

  • 生物基础模型之间的多模态迁移学习

    我们提出了一个多模态模型，通过利用来自不同预训练模态特定编码器的信息将 DNA、RNA 和蛋白质连接起来，展示了该模型在预测多个 RNA 转录本的表达差异方面的能力，同时在多个模态之间实现了高效的知识传递，为新的多模态基因表达方法铺平了道路。

    Jun, 2024