ICLRMay, 2024

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

PDF
TL;DR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。
single-cell foundation modelssc-otgmcell state classificationgene perturbationscrna-seq data
发现论文，激发创造
  • 基于注意力的多实例混合模型

    GMIL 是一种整合广义线性混合模型（GLMM）和多示例学习（MIL）的框架，利用预定义的细胞嵌入增强计算效率，揭示了单细胞数据中的新关联和揭示了不同领域的生物学机制。

    Nov, 2023

  • scDiffusion: 使用扩散模型进行高质量单细胞数据的条件生成

    本研究使用 scDiffusion 模型基于扩散过程生成具有可控条件的高质量单细胞 RNA 测序数据，并展示其能够产生接近真实数据的单细胞基因表达数据，超过现有模型在多个度量指标上的性能，对罕见细胞类型等特定细胞类型进行条件生成，并通过梯度插值生成小鼠胚胎细胞的连续发育轨迹，以此证明 scDiffusion 是增强真实 scRNA-seq 数据和深入研究细胞命运的强大工具。

    Jan, 2024

  • 推动细胞分割模型在成像质谱细胞学中的极限

    通过去除细胞注释中的 50% ，学习性的分割模型表现的结果只比完整的标签相应的模型降低了 DSC 指标，表明可以至少减少一半的注释时间而不影响性能，并且单一组织模型与多组织模型在新颖组织类型上的性能差异微乎其微，并且通过多次增加最差性能模型的训练可以提高其性能。

    Feb, 2024

  • 轨迹推理的数学理论

    使用 Global Waddington-OT 方法，将基于单细胞 RNA 测序数据的高维单细胞时序数据的随机过程重建为对应的轨迹，具有良好的准确性和高效性。

    Feb, 2021

  • 深度非对称混合模型用于无监督细胞分割

    自动细胞分割是疾病诊断和药物研发中越来越重要的工具，本文提出了一种新的非对称混合模型用于无监督的细胞分割，该模型在细胞分割的性能上胜过现有的最先进的无监督模型约 2-30%（p<0.05）的提升。

    Jun, 2024

  • 高斯混合模型与最优输运在多源域自适应中的轻量化、优化、快速

    多源领域自适应是迁移学习中的任务之一，本文提出了基于最优传输和高斯混合模型的新框架，在图像分类和故障诊断两个领域中，通过 GMM-WBT 和 GMM-DaDiL 策略实现多源领域自适应，显示出在提高性能的同时更快速、参数更少。

    Apr, 2024

  • 使用 GAN 进行线性追踪的最优传输

    本文中，我们提出了一种新颖的计算谱系追踪方法 ——Super-OT，它将监督式学习框架与基于生成对抗网络（GANs）的最优传输相结合。与以往的谱系追踪方法不同，Super-OT 具有集成配对数据的灵活性。我们将基于单细胞 RNA-seq 数据的 Super-OT 与一种流行的使用最优传输的谱系追踪方法 Waddington-OT 进行基准测试，证明 Super-OT 在预测细胞在分化过程中的类别结果方面胜过了 Waddington-OT，因为它允许在训练期间集成附加信息。

    Jul, 2020

  • 有监督条件蒙日图训练

    使用 CondOT，一种多任务学习方法，结合上下文变量和部分输入凸的神经网络，可以在给定单细胞的基因或治疗干预效果的情况下，推断出其任意组合的效果。

    Jun, 2022

  • 可扩展的分摊 GPLVMs 用于单细胞转录组学数据

    通过改进的压缩随机变分贝叶斯 GPLVM 模型，我们成功实现了对单细胞 RNA-seq 数据的解释性降维分析，该模型在细胞类型聚类、细胞周期和批次信息的加入等方面表现出相当高的效果，并通过应用于先天免疫数据集验证了更可解释的潜在结构。

    May, 2024

  • 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