保持距离的空间转录组生成建模
本文提出了一种基于深度生成模型gimVI的方法,用于整合空间转录组学和单细胞RNA测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。
May, 2019
SEPAL是一种新的模型,可以从组织外观直接预测基因组,通过利用生物学偏差来直接监督相对差异并通过图神经网络利用每个坐标的局部视觉上下文进行预测,该方法将当前方法中的完全局部性和完全全局性之间的差距缩小,并通过在转录组学中遵循当前最佳实践并限制预测变量仅为具有明确空间模式的变量来提出了一种旨在更好地定义该任务的新的基准,通过在两个不同的人类乳腺癌数据集中进行了广泛评估表明,SEPAL优于之前的最先进方法和包括空间上下文的其他机制。
Sep, 2023
通过使用概率机器学习方法,将细胞的遗传表达信息和细胞在组织样本中的空间坐标映射到一个联合潜变量空间中,可以获得完整的遗传表达和空间信息,从而更好地理解细胞过程和通路。
Nov, 2023
以空间转录组学数据为基础,提出了一种含有条件扩散模型的空间转录组学数据插补方法,结合空间位置信息和模型训练,用于处理单细胞数据中的缺失值问题,并证明其相对于现有方法具有更好的性能。
Mar, 2024
本研究旨在理解和评估用于科学中生成模型的统计距离,包括Sliced-Wasserstein、Classifier Two-Sample Tests、Maximum Mean Discrepancy等方法。通过评估决策模型和生成医学图像模型,展示了这些不同距离对相似数据的不同结果。
Mar, 2024
通过多视图图对比学习和HSIC约束正规化方法构建的空间转录组学(ST)框架(ST-GCHB),以学习共享表示来考虑空间依赖性,从而根据查询的图像点来估计相应的基因表达量。
Jun, 2024
该研究利用空间转录组学和人工智能技术,提出一种多模态对比学习方法来预测基因表达水平,通过在乳腺癌数据集和皮肤鳞状细胞癌数据集上的广泛评估,证明了该方法在预测基因表达和解释肿瘤相关基因方面的卓越性能。
Jul, 2024
我们提出了一个系统策划且处理过的数据库,从26个公共资源中收集,相较于以前的作品增加了8.6倍,同时我们还提供了一种最先进的基于转换器的补全技术用于推测缺失的基因表达,这极大地提高了对所有数据集的转录组预测性能。
Jul, 2024
本研究针对空间分辨转录组数据分析中的空间域识别和基因去噪这一关键问题,提出了一种新颖的对比增强掩蔽图形自编码器(STMGAC),能够学习低维潜在表示。通过自蒸馏技术在潜在空间中获得持久信号,并利用三元组学习构建正负锚点对以增强判别能力,STMGAC在五个数据集上的表现超越了现有基线方法。
Aug, 2024