ترجمه فارسی مقاله PRAGA: تجمع تطبیقی ​​نمودار آگاهانه نمونه اولیه برای تجزیه و تحلیل Omics چند منظوره فضایی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis
عنوان مقاله به فارسی PRAGA: تجمع تطبیقی ​​نمودار آگاهانه نمونه اولیه برای تجزیه و تحلیل Omics چند منظوره فضایی
نویسندگان Xinlei Huang, Zhiqi Ma, Dian Meng, Yanran Liu, Shiwei Ruan, Qingqiang Sun, Xubin Zheng, Ziyue Qiao
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Genomics,Machine Learning,ژنومیک , یادگیری ماشین ,
توضیحات Submitted 19 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

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

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Spatial multi-modal omics technology, highlighted by Nature Methods as an advanced biological technique in 2023, plays a critical role in resolving biological regulatory processes with spatial context. Recently, graph neural networks based on K-nearest neighbor (KNN) graphs have gained prominence in spatial multi-modal omics methods due to their ability to model semantic relations between sequencing spots. However, the fixed KNN graph fails to capture the latent semantic relations hidden by the inevitable data perturbations during the biological sequencing process, resulting in the loss of semantic information. In addition, the common lack of spot annotation and class number priors in practice further hinders the optimization of spatial multi-modal omics models. Here, we propose a novel spatial multi-modal omics resolved framework, termed PRototype-Aware Graph Adaptative Aggregation for Spatial Multi-modal Omics Analysis (PRAGA). PRAGA constructs a dynamic graph to capture latent semantic relations and comprehensively integrate spatial information and feature semantics. The learnable graph structure can also denoise perturbations by learning cross-modal knowledge. Moreover, a dynamic prototype contrastive learning is proposed based on the dynamic adaptability of Bayesian Gaussian Mixture Models to optimize the multi-modal omics representations for unknown biological priors. Quantitative and qualitative experiments on simulated and real datasets with 7 competing methods demonstrate the superior performance of PRAGA.

چکیده به فارسی (ترجمه ماشینی)

فناوری OMICS چند منظوره مکانی ، که توسط روش های طبیعت به عنوان یک تکنیک پیشرفته بیولوژیکی در سال 2023 برجسته شده است ، نقش مهمی در حل فرآیندهای نظارتی بیولوژیکی با زمینه فضایی دارد.به تازگی ، شبکه های عصبی نمودار بر اساس نمودارهای K-Nearest همسایه (KNN) به دلیل توانایی آنها در مدل سازی روابط معنایی بین نقاط توالی ، در روشهای OMIC چند منظوره فضایی برجسته شده اند.با این حال ، نمودار KNN ثابت نتواند روابط معنایی نهفته پنهان شده توسط آشفتگی داده های اجتناب ناپذیر در طی فرآیند توالی بیولوژیکی را ضبط کند و در نتیجه از بین رفتن اطلاعات معنایی حاصل شود.علاوه بر این ، فقدان مشترک حاشیه نویسی نقطه و مقدمات شماره کلاس در عمل بیشتر مانع بهینه سازی مدلهای OMICS چند منظوره فضایی می شود.در اینجا ، ما یک چارچوب حل شده چند منظوره چند منظوره جدید را پیشنهاد می کنیم ، با عنوان تجمع سازگاری نمودار نمونه آگاهانه برای تجزیه و تحلیل OMICS چند منظوره فضایی (PRAGA).Praga یک نمودار پویا برای ضبط روابط معنایی نهفته و یکپارچه سازی اطلاعات مکانی و معناشناسی ویژگی ها ایجاد می کند.ساختار نمودار آموخته همچنین می تواند با یادگیری دانش متقاطع ، آشفتگی ها را ایجاد کند.علاوه بر این ، یک یادگیری متضاد نمونه اولیه پویا بر اساس سازگاری پویا از مدل های مخلوط گاوسی بیزی برای بهینه سازی بازنمایی های OMIC چند منظوره برای مقدمات بیولوژیکی ناشناخته ارائه شده است.آزمایش های کمی و کیفی در مجموعه داده های شبیه سازی شده و واقعی با 7 روش رقیب ، عملکرد برتر پراگا را نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

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

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.