Jun, 2024

scTree: 在 scRNA-seq 数据中发现细胞层次结构时考虑批次效应

PDF
TL;DR提出了一种新的方法 scTree，用于单细胞树状变分自动编码器，扩展了一种层次聚类方法用于单细胞 RNA 测序数据。通过这种基于 VAE 的方法，同时纠正批次效应和学习树状数据表示，从而深入理解复杂细胞景观，并独立于批次的偏差效应。通过对七个数据集的实证研究表明，scTree 可以发现数据的潜在聚类以及其中的层次关系，并且在这些数据集上表现优于已有的基准方法。此外，我们还分析了学习得到的层次结构以了解其生物相关性，从而强调了直接将批次纠正引入聚类过程的重要性。
发现论文，激发创造
  • 树形变分自编码器

    提出了一种新的生成分层聚类模型 ——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE 在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

    Jun, 2023

  • scHyena: 全长单细胞 RNA 测序大脑分析的基础模型

    通过介绍 scHyena 模型，本研究提出了一种解决脱落事件和基因表达信息利用有限的测量噪声带来的挑战，以提高脑部 scRNA-seq 分析准确性的新方法，展示了该模型在细胞类型分类和 scRNA-seq 填补方面相比其他基准方法的卓越性能。

    Oct, 2023

  • scCDCG: 基于深度剪切信息图嵌入的单细胞 RNA 序列的高效深度结构聚类

    通过引入 scCDCG（基于深度剪切信息图的单细胞 RNA 测序聚类）框架，我们解决了传统聚类方法在 scRNA-seq 数据分析中忽略基因表达特征中嵌入的结构信息所带来的问题，提出了一种有效且准确的聚类方法，能够同时利用细胞间的高阶结构信息。通过在 6 个数据集上的广泛实验，我们证明了 scCDCG 相较于其他 7 种常见模型的出色性能和效率，凸显了它在 scRNA-seq 数据分析中的潜力。

    Apr, 2024

  • 基于群集感知的迭代对比学习的 scRNA-seq 数据聚类

    本研究提出了一种名为 Cluster-aware Iterative Contrastive Learning (CICL) 的新方法，用于单细胞 RNA 测序 (scRNA-seq) 数据聚类，通过迭代表示学习和聚类框架逐步学习 scRNA-seq 数据的聚类结构，取得了较好的聚类结果。

    Dec, 2023

  • 变分自编码器中学习潜在超结构用于深层多维聚类

    我们研究了一种变分自编码器的变体，其中顶层离散的潜变量是一个超结构。我们的超结构是多个超级潜变量的树结构，并且可以自动从数据中学习。与以往的深度学习方法不同，LTVAE 可以生成多个数据分区，每个分区都由一个超级潜变量给出。这是由于高维数据通常具有许多不同的自然方面，可以用多种方式进行有意义的划分。

    Mar, 2018

  • 非参数变分自编码器用于分层表示学习

    本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。

    Mar, 2017

  • 可扩展的分解层次变分自编码器训练

    本文介绍一种基于变分推断的分层生成过程的因式分解分层变分自编码器（FHVAE）模型，该模型在许多语音应用方面已被证明可行，但其原始论文中提出的训练算法不适用于规模更大的数据集。本文提出了一种分层采样训练算法来解决这一问题，并对不同类型的数据集进行了全面评估，证明了我们提出的算法对所有数据集都表现出所需的特性。

    Apr, 2018

  • 基于知识图谱的细胞信号分析中的定向散射

    提出一种名为 Directed Scattering Autoencoder（DSAE）的新框架，结合几何散射变换的有向版本，自编码器的非线性降维属性以及双曲空间的几何性质来学习潜在的层次结构，该方法在嵌入有向图和学习细胞信号网络等任务上优于其他方法。

    Sep, 2023

  • scBiGNN: 基于双层图表示学习的单细胞 RNA 测序数据细胞类型分类

    通过建立基于基因和细胞层面的双层图表征学习方法（scBiGNN），在单细胞分类中同时挖掘基因之间和细胞之间的关系，以提高分类准确性。实验证明，scBiGNN 在单细胞 RNA 测序数据的细胞类型分类中优于现有方法。

    Dec, 2023

  • 层次去噪递归自编码器用于三维场景布局预测

    该文介绍了一个通过 VDRAE 对大规模 3D 场景数据进行训练来推测实例级分割和 3D 对象检测的方法，该方法在现实世界的 3D 点云数据集上比以往的工作有了明显的改进。

    Mar, 2019