ترجمه فارسی مقاله رمزگذارهای خودکار گراف ماسک شده با تقویت کنتراستیو برای داده‌های رونویسی حل‌شده فضایی

• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
  مشاهده نمونه نسخه نکات ساده
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
  مشاهده نمونه نسخه نکات رسمی
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
  مشاهده نمونه نسخه پرسش و پاسخ
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه یادگیری سریع
  — پاسخ‌ها بلافاصله بعد از سؤال برای مرور سریع
  مشاهده نمونه نسخه کوییز سریع
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه خودآزمایی
  — پاسخ‌ها در انتهای بخش‌ها برای سنجش واقعی یادگیری
  مشاهده نمونه نسخه آزمونی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

چکیده

With the rapid advancement of Spatial Resolved Transcriptomics (SRT) technology, it is now possible to comprehensively measure gene transcription while preserving the spatial context of tissues. Spatial domain identification and gene denoising are key objectives in SRT data analysis. We propose a Contrastively Augmented Masked Graph Autoencoder (STMGAC) to learn low-dimensional latent representations for domain identification. In the latent space, persistent signals for representations are obtained through self-distillation to guide self-supervised matching. At the same time, positive and negative anchor pairs are constructed using triplet learning to augment the discriminative ability. We evaluated the performance of STMGAC on five datasets, achieving results superior to those of existing baseline methods. All code and public datasets used in this paper are available at https://github.com/wenwenmin/STMGAC and https://zenodo.org/records/13253801.

چکیده به فارسی (ترجمه ماشینی)

با پیشرفت سریع فن آوری حل شده فضایی (SRT) ، اکنون می توان ضمن حفظ زمینه مکانی بافت ها ، رونویسی ژن را به طور جامع اندازه گیری کرد.شناسایی دامنه مکانی و دفع ژن اهداف اصلی در تجزیه و تحلیل داده های SRT است.ما یک AutoEnencoder نمودار ماسک شده متضاد (STMGAC) را برای یادگیری بازنمایی های نهفته کم بعدی برای شناسایی دامنه پیشنهاد می کنیم.در فضای نهفته ، سیگنال های مداوم برای بازنمودها از طریق خودمختاری برای هدایت تطبیق خودآور به دست می آیند.در عین حال ، جفت های لنگر مثبت و منفی با استفاده از یادگیری سه گانه برای تقویت توانایی تبعیض آمیز ساخته می شوند.ما عملکرد STMGAC را در پنج مجموعه داده ارزیابی کردیم ، و به نتایج برتر از روشهای پایه موجود رسیدیم.کلیه کد و مجموعه داده های عمومی مورد استفاده در این مقاله در https://github.com/wenwenmin/stmgac و https://zenodo.org/records/13253801 در دسترس است.