日本語タイトル#
ハイパーグラフニューラルネットワークが単一細胞トランスクリプトミクスデータから空間ドメインを明らかにする
英文タイトル#
Hypergraph Neural Networks Reveal Spatial Domains from Single-cell Transcriptomics Data
日本語要約#
空間トランスクリプトミクスデータのクラスタリングタスクは非常に重要です。これにより、組織サンプルを多様な細胞サブグループに分類でき、クラスタの生物学的機能、組織再構築、細胞間相互作用の分析が促進されます。多くのアプローチが遺伝子発現、空間的位置、および組織学的画像を利用して空間ドメインを検出します。しかし、最先端のモデルであるグラフニューラルネットワーク（GNN）は、ノード間のペア接続の仮定に制限があります。空間トランスクリプトミクスにおけるドメイン検出の場合、一部の細胞は直接関連していないことが判明しましたが、同じドメインにグループ化されています。これは、GNN が細胞間の暗黙的な接続を捉える能力が不足していることを示しています。グラフのエッジは 2 つのノードのみを接続しますが、ハイパーエッジはそのエッジに沿って任意の数のノードを接続します。これにより、ハイパーグラフニューラルネットワーク（HGNN）は、従来の GNN よりも豊かで複雑な構造情報を捉え、利用することができます。実際のラベルがないという制限を解決するために自己符号化器を使用し、無監督学習に非常に適しています。私たちのモデルは卓越した性能を示し、他の方法と比較して最高の iLISI スコア 1.843 を達成しました。このスコアは、私たちの方法によって識別された細胞タイプの多様性が最大であることを示しています。さらに、私たちのモデルは、ダウンクラスタリングにおいて他の方法を上回り、最高の ARI 値 0.51 と Leiden スコア 0.60 を達成しました。
英文要約#
The task of spatial clustering of transcriptomics data is of paramount importance. It enables the classification of tissue samples into diverse subpopulations of cells, which, in turn, facilitates the analysis of the biological functions of clusters, tissue reconstruction, and cell-cell interactions. Many approaches leverage gene expressions, spatial locations, and histological images to detect spatial domains; however, Graph Neural Networks (GNNs) as state of the art models suffer from a limitation in the assumption of pairwise connections between nodes. In the case of domain detection in spatial transcriptomics, some cells are found to be not directly related. Still, they are grouped as the same domain, which shows the incapability of GNNs for capturing implicit connections among the cells. While graph edges connect only two nodes, hyperedges connect an arbitrary number of nodes along their edges, which lets Hypergraph Neural Networks (HGNNs) capture and utilize richer and more complex structural information than traditional GNNs. We use autoencoders to address the limitation of not having the actual labels, which are well-suited for unsupervised learning. Our model has demonstrated exceptional performance, achieving the highest iLISI score of 1.843 compared to other methods. This score indicates the greatest diversity of cell types identified by our method. Furthermore, our model outperforms other methods in downstream clustering, achieving the highest ARI values of 0.51 and Leiden score of 0.60.
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る