single-cell RNA-seq
PulseAugur coverage of single-cell RNA-seq — every cluster mentioning single-cell RNA-seq across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
综述论文详述了用于单细胞RNA测序分析的深度学习方法
一篇综述论文发表，详述了深度学习技术在单细胞RNA测序（scRNA-seq）分析中的应用。该论文全面回顾了六个子类别中的25种不同方法，并按类别、方法、目的、架构、指标、解释和新颖性进行了组织。该资源旨在为在单细胞生物学领域使用深度学习的研究人员提供结构化概述。
-
LLM驱动的智能体自动化生物轨迹分析，新方法提高预测精度 · 跟踪6个来源
研究人员开发了SpaCellAgent，一个新颖的基于LLM的多智能体框架，旨在自动化空间和单细胞转录组学中的轨迹推断和分析。该框架旨在减少此类分析通常需要的手动干预，为时空建模提供端到端解决方案。据报道，SpaCellAgent在保持专家级性能的同时，分析效率提高了40%以上。此外，IMR和ECTraj等新方法正在推进多智能体轨迹预测在自动驾驶等应用中的发展，重点是提高准确性和降低推理延迟。
-
新的scKDGM框架增强了单细胞RNA测序聚类
研究人员开发了scKDGM，一种用于单细胞RNA测序（scRNA-seq）聚类的新型框架，该框架解决了高维度和噪声等挑战。该方法采用基于KAN的编码器和动态图构建方法来改进表达表示和细胞图优化。在多个数据集上的实验表明，scKDGM在识别细胞类型方面优于现有方法。
-
新研究利用单细胞RNA测序绘制人脂肪细胞发育图谱
研究人员利用单细胞RNA测序技术绘制了人脂肪组织中脂肪细胞的发育路径图。该研究识别出15个不同的细胞簇和7个过渡状态，揭示了动态的分化过程。研究发现，关键信号通路，特别是胰岛素样生长因子（IGF）和成纤维细胞生长因子（FGF），在整个分化过程中均活跃，并表现出不同脂肪库的特异性差异，这为代谢性疾病提供了潜在的治疗靶点。
-
新方法为稀缺医疗AI训练生成患者数据
研究人员开发了一种新颖的患者增强技术，用于数据稀缺的医学多示例学习（MIL）。该方法通过使用高斯混合模型从池化的实例嵌入中学习疾病特定的“配方”，在嵌入空间中生成逼真的患者数据。然后，根据不确定性量化选择生成的患者，以提高MIL性能，特别是在罕见病或数据有限的情况下。该方法已证明比现有方法具有更高的性能，甚至在缺失类别的情况下也能取得与完整数据集训练相媲美的结果。
-
新的scGTN框架增强了单细胞RNA测序数据聚类
研究人员推出了一种用于单细胞RNA测序（scRNA-seq）数据聚类的新型框架scGTN。该方法通过整合基因表达谱与复杂的细胞间结构信息，解决了现有方法的局限性。scGTN构建了两个增强图视图以捕获互补数据，利用Siamese图Transformer网络整合最短路径信息和节点间距离，并采用最优传输策略进行自监督聚类。在基准数据集上的实验表明，scGTN的性能优于当前方法。
-
新的BRIDGE框架增强基因调控网络推断
研究人员开发了一个名为BRIDGE的新框架，用于改进从单细胞RNA测序数据推断基因调控网络。该方法通过采用对比学习和异构门控编码来适应性地调节基因和细胞之间的信息传递，从而应对嘈杂和稀疏数据带来的挑战。实验表明，BRIDGE取得了最先进的性能，在跨不同细胞类型的少样本迁移场景中优于GCLink等现有方法。对hESC数据的案例研究进一步验证了BRIDGE预测的生物学相关性。
-
LLM增强的聚类改进了单细胞RNA测序分析
研究人员开发了scLLM-DSC，一个通过整合大型语言模型（LLM）知识来增强单细胞RNA测序数据深度结构聚类的新框架。该方法通过整合来自基因的生物功能和语义信息，解决了现有以数值模式为中心的方法的局限性。scLLM-DSC利用跨模态对比对齐机制，结合了知识驱动的语义视图和结构感知的拓扑视图，创建了一个统一的潜在空间。基准测试表明，scLLM-DSC在聚类准确性方面超越了十一种最先进的方法。
-
新框架实现可解释的单细胞反事实编辑
研究人员开发了scCBGM，一种使用概念瓶颈生成模型的可解释单细胞反事实编辑的新框架。该方法将概念瓶颈架构应用于单细胞数据，并结合了解码器跳跃连接和交叉协方差惩罚以增强解耦。该框架已扩展到流匹配模型，允许在编码-解码和生成场景中进行概念引导编辑，并包含一个新的用于评估的合成基准。
-
基础模型实现单细胞生物学跨模态迁移
研究人员开发了一种新颖的方法，用于在不同类型的单细胞生物学数据之间转移信息。通过在基础模型上使用对抗性微调，他们的方法可以将空间转录组学数据转换为单细胞RNA测序数据，即使在数据集不成对的情况下也能实现。该技术有望从scRNA-seq数据中恢复空间信息，并且优于现有的多组学翻译方法。
-
scTransformer将基因调控数据整合到AI中用于细胞分析
研究人员开发了scTransformer，一种将基因调控信息整合到Transformer模型中用于分析单细胞RNA测序数据的新方法。该方法通过将先验生物知识纳入模型的注意力机制，提高了可解释性和鲁棒性。评估表明，与标准Transformer相比，scTransformer提高了细胞类型分类的准确性，并产生了更具生物学意义的表示。
-
新的IRIS算法可视化时间结构生物医学数据
研究人员开发了IRIS，一种新颖的流形学习算法，旨在可视化随时间变化的高维生物医学数据。与现有方法不同，IRIS可以在保持流形拓扑结构的同时，按时间顺序组织其布局。这使得对scRNA-seq、比较宏基因组学和科学文献等数据中的动态过程有更清晰的理解。
-
新的GEARS框架重建单细胞RNA测序的空间数据
研究人员开发了GEARS，一个新颖的、面向几何的框架，用于重建单细胞RNA测序（scRNA-seq）数据的空间信息。与依赖固定网格或细胞到斑点分配的先前方法不同，GEARS直接从ST数据中学习内在空间几何，而无需细胞类型标签或组织图像。该框架利用域不变表达编码器和具有基于扩散的精炼的置换等变生成器来生成局部空间几何。通过聚合多个细胞子集的预测并解决全局距离-几何问题，GEARS重建了标准的2D坐标和密集的距离矩阵，在距离保持和邻域保真…
-
新的scFM方法模拟单细胞基因表达动力学
研究人员开发了一个名为单细胞流匹配（scFM）的新框架，以更好地模拟单细胞中基因表达的动力学。该方法解决了现有技术中的挑战，例如离散时间点之间转换的模糊性以及长期预测中的误差累积。通过使用条件流匹配和双向速度场，scFM提高了时间插值和外推的准确性，从而更忠实地重建基因表达动力学。
-
新框架从离散数据快照估计连续动力学
研究人员开发了一个名为 CT-OT Flow 的新框架，用于从离散、聚合的数据快照中估计连续时间动力学。该方法通过推断精确的时间标签和通过时间核平滑重建分布来解决诸如时间戳噪声和缺乏连续轨迹等挑战。CT-OT Flow 在合成和真实世界数据集（包括 scRNA-seq 和台风轨迹数据）上的性能优于现有方法。
-
新框架使用高斯过程和最优传输对时间单细胞RNA数据进行建模
研究人员开发了一个新的生成框架来模拟单细胞RNA测序数据中的时间过程。该方法利用通过希尔伯特空间方法近似的潜伏性异方差高斯过程来捕捉种群趋势。采用最优传输目标来对齐生成和观察到的分布，解决了从静态数据推断轨迹的挑战。该方法通过考虑细胞特异性潜伏时间和细胞类型条件来显式建模生物异质性，在插值和外推基准测试中展示了最先进的性能。
-
scHelix框架改进单细胞RNA测序数据集成
研究人员推出scHelix，一个旨在改进单细胞RNA测序数据集成的新型框架。该方法通过根据基因对域偏移的敏感性不同进行处理，解决了去除批次效应同时保留关键生物信息这一挑战。scHelix采用双流编码器和非对称协议来学习鲁棒的表示，在基准测试中优于现有的最先进集成技术。
-
新的基准测试通过供体感知scRNA-seq分析改进了IBD分类
研究人员开发了一种用于使用单细胞RNA测序（scRNA-seq）数据分类炎症性肠病（IBD）的供体感知基准测试。该新基准测试通过确保训练和测试数据来自不同的供体，解决了假复制问题。该研究评估了三种特征表示，包括居中对数比（CLR）转换的细胞类型组成和GatedStructuralCFN依赖性嵌入，跨越两个独立的IBD队列。
-
新的HyCNNs架构提供了改进的凸函数学习和最优传输
研究人员开发了超输入凸神经网络（HyCNNs），这是一种旨在比现有的输入凸神经网络（ICNNs）更有效地学习凸函数的新架构。HyCNNs将Maxout网络与ICNN原理相结合，在深度利用和可扩展性方面提供了理论优势。实验表明，HyCNNs在凸回归和插值任务中优于ICNNs和MLPs，并且在学习合成数据和单细胞RNA测序的高维最优传输图方面是有效的。