单细胞论文记录(part14)--CoSTA: unsupervised convolutional neural network learning for ST analysis

最新推荐文章于 2025-07-23 15:29:37 发布
最新推荐文章于 2025-07-23 15:29:37 发布
阅读量345 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 单细胞 生物信息 文章标签： 机器学习 生物信息
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_37422217/article/details/125280983
CoSTA是一种无监督的卷积神经网络方法，用于空间转录组学分析，它通过学习基因表达矩阵之间的空间相似性，提供定量的模式比较，而不仅仅是分类。与依赖像素重叠的传统方法不同，CoSTA关注表达模式的形状，保留了空间信息。在模拟和实际数据上的测试表明，CoSTA具有高特异性，能够识别出生物学上有意义的基因关系。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

学习笔记，仅供参考，有错必纠
Authors：Yang Xu, Rachel Patton McCord
Journal：BMC Bioinformatics
Year：2021
Keywords: Spatial transcriptomics, Gene clustering, Convolutional neural network

文章目录

CoSTA: unsupervised convolutional neural network learning for spatial transcriptomics analysis

Abstract

Background: 空间转录组学技术的兴起，使人们对基因调控(gene regulation)如何在空间背景下发生有了新的认识. 确定哪些基因以类似的空间模式表达，可以揭示一个组织中不同类型细胞的基因调控关系. 然而，目前许多分析方法没有充分利用数据的空间组织，而是将pixels作为独立的特征. 在此，我们提出了CoSTA：一种通过卷积神经网络（ConvNet）聚类学习基因表达矩阵之间空间相似性的新方法.

Results: 通过分析模拟的和以前发表的空间转录组学数据，我们证明CoSTA以强调更广泛的空间模式而不是pixel-level相关的方式学习基因之间的空间关系

了解本专栏 订阅专栏 解锁全文 超级会员免费看
CoSTA：用于空间转录组分析的无监督卷积神经网络学习方法
wen05054105的博客
10-14 424
来自美国研究人员在《BMC Bioinformatics》杂志发表了题为“CoSTA: unsupervised convolutional neural network learning for spatial transcriptomics analysis”的研究论文，提出了CoSTA：一种通过卷积神经网络（ConvNet）聚类学习基因表达矩阵之间空间相似性的新方法。
V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation-论文笔记
sunyao_123的博客
05-06 4086
代码开源 代码开源 方法： 说说网络结构。卷积核大小5X5。每一层增加残差学习，论文说增加残差能够加速收敛。没有使用pooling，使用卷积来降采样（核大小2x2x2，步长2）。非线性函数使用PReLu。是右边使用反卷积。左右两边通过拼接而不是相加。 卷积和反卷积如下： 每层输出特征感受眼如下： 损失函数： 本文提出一个基于dice coefficient的损失函数。两个...
计算机视觉论文-2021-07-27
中科院AI算法工程师的博客
08-02 3156
本专栏是计算机视觉方向论文收集积累，时间：2021年7月27日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework AUTHORS: XI GUAN et. al. CATEGORY: cs.AI [cs....
Generalizing from a Few Examples: A Survey on Few-Shot Learning 小样本学习最新综述 | 三大数据增强方法
Joselynzhao
04-29 3274
文章目录01 Transforming Samples from Dtrain02 Transforming Samples from a Weakly Labeled or Unlabeled Data Set03 Transforming Samples from Similar Data SetsDiscussion and Summary 上一篇：A Survey on Few-Shot ...
【NLP】ACL-2019 录用论文
热门推荐
zkq_1986的博客
09-04 2万+
LONG PAPERS (MAIN CONFERENCE) SphereRE: Distinguishing Lexical Relations with Hyperspherical Relation EmbeddingsChengyu Wang, XIAOFENG HE and Aoying Zhou Learning from Dialogue after Deployment: Fee...
【AI视野·今日CV 计算机视觉论文速览 第200期】Tue, 18 May 2021
TomRen
05-18 4807
AI视野·今日CV 计算机视觉论文速览
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
【CVPR2020】计算机视觉与模式识别会议论文完全清单_Part2
TomRen
06-11 3662
CVPR 2020 的论文已经于6月10号放出 由于篇幅限制分两部分发出—>part1 Todo：word-cloud Relative Interior Rule in Block-Coordinate Descent Author: Tomas Werner,Daniel Prusa,Tomas Dlask Learning Combinatorial Solver for Graph Matching Author: Tao Wang,He Liu,Yidong Li,Yi Jin,Xi.
【机器学习|学习笔记】详解支持向量机（Support Vector Machine，SVM）为何要引入核函数？为何对缺失数据敏感？
2401_89898861的博客
07-20 1219
【机器学习|学习笔记】详解支持向量机（Support Vector Machine，SVM）为何要引入核函数？为何对缺失数据敏感？
python学智能算法（二十五）|SVM-拉格朗日乘数法理解
专注python+工程实践的热心婶子
07-19 963
本文梳理了支持向量机中最佳超平面求解的核心概念与拉格朗日乘数法的应用。首先介绍了函数距离F与几何距离δ的关系（δ=F/||w||），指出寻找最佳超平面就是在所有最小几何距离中选取最大值的过程。通过将函数距离设为1，将问题转化为最小化||w||²/2的距离函数f。接着详细阐释了拉格朗日乘数法的原理：当目标函数f在约束条件g下取得极值时，其梯度向量平行（∇f=λ∇g）。通过分解梯度方向，说明了极值点处f在约束切向上无分量的几何意义，并辅以等高线图示帮助理解这一关键数学工具在优化问题中的应用。
「日拱一码」035 机器学习——调参过程可视化
weixin_44396644的博客
07-22 357
机器学习——调参过程可视化
粗大误差智能滤除：基于格拉布斯准则与机器学习的数据清洗体系​
最新发布
vicorv25的博客
07-23 662
通过实证数据验证，该体系在多种数据分布场景下均展现出卓越的滤除效果、较高的鲁棒性以及良好的泛化能力，显著提升了数据质量与分析结果的可靠性。本文提出的基于格拉布斯准则与机器学习协同的两级数据清洗体系，为解决传统粗大误差滤除方法的局限性提供了有效的智能化方案。格拉布斯准则是统计学中一种经典的单变量离群点检验方法。其核心思想基于样本数据来自正态分布的假设，通过计算数据集中离均值最远的数据点（最大值或最小值）与样本均值的标准化偏差，并与特定显著性水平下的格拉布斯临界值进行比较，从而判定该点是否构成粗大误差。
机器学习-线性回归
weixin_50701238的博客
07-20 661
本文介绍了简单线性回归和多元线性回归的基本概念与实现步骤。简单线性回归通过单一自变量预测因变量，寻找最佳拟合直线使预测误差最小化，其实现步骤包括数据预处理、模型训练、预测和结果可视化。多元线性回归则在多个特征间建立线性关系，实现步骤类似但涉及类别数据处理（独热编码）和避免虚拟变量陷阱。两种方法都使用sklearn的LinearRegression类进行建模，并通过训练集拟合模型、测试集评估性能。文章提供了完整的Python代码示例，涵盖数据读取、特征处理、模型训练和结果可视化等关键环节，适用于探索变量间线性
VSCode使用Jupyter完整指南配置机器学习环境
weixin_44903776的博客
07-20 165
本文详细介绍了在VSCode中使用Jupyter Notebook的完整配置指南。主要内容包括：安装必要的Python、Jupyter等VSCode扩展；配置Python环境（推荐Anaconda或虚拟环境）；优化VSCode设置；创建和使用Jupyter Notebook的基本操作；环境切换与内核管理；以及实用技巧（魔法命令、调试、输出优化等）。最后提供了测试代码验证环境配置是否成功。该指南适合机器学习初学者快速搭建开发环境。
模式识别与机器学习课程笔记（1）：绪论
luozhenghao的博客
07-21 910
《模式识别与机器学习》课程笔记（1）：绪论 本课程面向EECS背景的研究生，需具备线性代数、概率统计、数据结构和编程基础。课程内容涵盖贝叶斯决策论、神经网络、深度学习等13个章节。模式识别旨在将对象分类到预定义类别，涉及特征提取、学习训练和分类识别三大核心问题。课程梳理了模式识别的发展历程，从1929年数字阅读机到当前深度学习主流技术。介绍了模式识别基本方法，包括统计模式识别、结构模式识别等主流技术，并区分了监督学习、无监督学习和强化学习等机器学习类型。课程强调特征选择与提取的重要性，以及分类器设计中决策边
【机器学习&深度学习】什么是量化？
qq_62223405的博客
07-20 808
量化是通过减少模型参数的精度（如从32位浮点数降为8位整数）来压缩模型体积、加速计算、降低对硬件的依赖，从而提升模型部署和推理效率。
（9）机器学习小白入门 YOLOv:YOLOv8-cls 技术解析与代码实现
这里是一位在代码世界深耕多年的 “老江湖” 的自留地。​ 岁月在履历上添了厚度，却没磨掉敲代码时眼里的光。从调试第一行 hello world 的生涩，到架构复杂系统的从容，那些在键盘敲击声里流过的日夜，都想在这里慢慢梳理
07-21 465
YOLOv8-cls 是 YOLOv8 系列中针对图像分类任务的模型，基于 CSPDarknet 架构优化，专注于高效特征提取与类别判断，支持多规模版本部署。
【机器学习&深度学习】魔塔社区模型后缀全解析：Base、Chat、Instruct、Bit、Distill背后的技术密码
qq_62223405的博客
07-20 1183
Base 是未经微调的通用模型，适合研究。 Chat 优化对话，适合交互式场景。 Instruct 优化任务执行，适合指令导向应用。 Bit 表示量化，适合资源受限环境。 Distill 表示通过知识蒸馏生成的小型高效模型
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

GUI Research Group

谢谢支持！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值