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.
3 天有情绪数据
-
新的scAnyOmics框架整合多组学数据用于虚拟细胞模型
研究人员开发了scAnyOmics，一个新颖的生成框架，旨在整合和预测来自不完整单细胞多组学数据的缺失分子信息。该框架将知识从预训练的基础模型蒸馏到一个多模态学生模型中，实现了跨模态预测和重构转录组学、蛋白质组学和染色质可及性等数据。在包含690,880个细胞的大型数据集上进行评估，scAnyOmics在重构缺失模态方面表现优于基线方法，并在细胞类型注释和生物年龄估计等应用中显示出潜力。
-
新的GNN可以跨尺度预测病理图像的基因表达
研究人员开发了一种新颖的多尺度图神经网络（GNN），能够直接从全切片图像（WSI）中预测不同分辨率（批量、空间和单细胞）的基因表达。该模型利用病理基础模型（UNI2-h）提取形态学特征，并在块和细胞层面构建空间图。该GNN在来自癌症基因组图谱计划、Visium和Xenium在肺、肾和乳腺组织的数据上进行训练，在预测切片级基因表达方面表现出准确性，在块和单细胞层面也取得了中等成功。这些预测在下游临床任务（如生存分析和肿瘤分类）中也显示出实用性。
-
一篇被撤稿的研究论文探讨了多组学与心血管影像的整合
一篇已被撤稿的研究论文探讨了将各种多组学数据与心血管影像技术相结合。该研究旨在将来自超声心动图、MRI和CT扫描的影像表型与来自批量、单细胞和空间转录组学的分子数据联系起来。文章回顾了多模态融合方法，并讨论了诸如缺失数据和批次效应等挑战，重点关注放射组学和空间分子对齐在心血管领域的转化应用。
-
新研究探讨基因表达到图像的学习策略
一篇新研究论文探讨了基因表达到图像（GE2I）的学习策略，该策略将基因表达数据排列成像素网格以供卷积神经网络使用。研究揭示了这种方法在空间平滑度和基因层面保真度之间的权衡。研究结果表明，一对一的基因到像素分配可以提高预测准确性，即使它会降低图像的平滑度，并为优化GE2I方法提供了实用建议。
-
LapDDPM模型通过鲁棒的流形学习增强单细胞数据生成
研究人员开发了LapDDPM，一种新的条件图扩散概率模型，旨在生成高保真度的合成单细胞RNA测序数据。该模型集成了基于图的归纳偏置和基于分数的生成模型，并包含一种新颖的谱对抗扰动机制。该机制充当分布鲁棒优化框架，增强了对细胞数据中技术噪声和结构变异的鲁棒性。LapDDPM还已扩展到处理空间转录组学和多模态数据，在各种数据集的分布匹配和流形保持方面表现优于现有方法。
-
新的TracingFlow框架通过二阶动力学增强轨迹推断能力
研究人员推出了一种新颖的框架TracingFlow，旨在从稀疏的时间数据中推断系统演化。与主要使用一阶动力学的现有方法不同，TracingFlow通过学习加速度场来纳入二阶动力学。这使得它能够捕捉更复杂的过渡和非线性演化，这对于细胞分化等过程至关重要。该框架在合成和单细胞RNA测序数据集上展示了卓越的准确性，提供了对轨迹和动力学结构更忠实的重建。
-
新框架推动 AI 驱动的研究构思和科学编码
研究人员开发了两种新颖的框架：Tree-of-Ideas (ToI) 和 Idea Search，旨在增强自动化研究构思和科学编码。ToI 重构学术轨迹以识别不断发展的方法和差距，然后跨越这些路径进行推理以产生研究思路，在新颖性和扎实性方面优于现有方法。Idea Search 将动态的“Idea Bank”集成到 LLM 的树搜索中，改进了科学方法的探索，并在单细胞 RNA 测序批次整合等任务中取得了更好的结果。
-
机器学习分类器在 scRNA-seq 细胞类型分类中的基准测试
一项近期研究对单细胞 RNA 测序数据中的十种机器学习分类器进行了细胞类型分类基准测试，重点关注外周血单个核细胞。该研究强调了类别不平衡的关键问题，即稀有细胞类型显著代表性不足。结果表明，类别加权逻辑回归模型表现最佳，宏观 F1 分数达到 0.929，优于神经网络和树集成等更复杂的模型。研究还强调，在类别不平衡数据中，标准准确率指标可能具有误导性，明确的类别加权对于准确识别稀有细胞群体至关重要。
-
新的代理框架增强了单细胞RNA测序的基因发现能力
研究人员开发了SCTA，一个旨在改进从单细胞RNA测序（scRNA-seq）数据中发现治疗靶基因的新型代理框架。该框架将复杂的分析过程分解为处理关键决策点的专业代理，并整合结构化的生物学证据以增强稳定性和可解释性。在一项关于遗传性慢性胰腺炎的研究中，SCTA证明了更稳定的靶点选择，并识别了与该疾病相关的生物学上连贯的机制。
-
新的基础模型Tabula采用联邦学习实现隐私保护的单细胞基因组学
研究人员开发了Tabula，这是一种新颖的单细胞基因组学基础模型，它通过利用联邦学习来解决隐私问题。与以前的方法不同，该模型明确处理单细胞数据固有的表格结构。Tabula通过Chiron平台部署，能够在不共享原始数据的情况下实现跨机构的协作训练。该模型在各种生物学基准测试中表现出色，揭示了造血和神经发生等系统中的调控逻辑，并识别了人类成纤维细胞的潜在复壮因素。
-
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。