空間的遺伝子発現データを用いたグラフ畳み込みニューラルネットワークによる細胞間相互作用推定

• Item type: SIG Technical Reports(1)
• 公開日: 2024-07-15
• タイトル: 空間的遺伝子発現データを用いたグラフ畳み込みニューラルネットワークによる細胞間相互作用推定
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 大阪大学基礎工学部情報科学科／現在，奈良先端科学技術大学院大学
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者名: 日浦, 隆博; 瀬尾, 茂人; 松田, 秀雄
• 著者名(英): Takahiro, Hiura; Shigeto, Seno; Hideo, Matsuda
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 細胞間相互作用を理解することは，多細胞生物を理解する上で極めて重要であり，医学にとっても重要な意味を持つ．これらの相互作用は，特定のリガンドとレセプターのペアにより媒介されるが，いまだ完全には同定されていない．遺伝子発現解析，特に空間トランスクリプトーム解析技術の進歩により，現在では組織内の局在を維持したまま遺伝子発現を正確に捉えることができる．本研究では，空間トランスクリプトームデータから細胞間相互作用を推定するための，グラフ畳み込みニューラルネットワーク（GCNN）を用いた新しいアプローチを提案する．また評価実験の結果として，空間トランスクリプトームデータをグラフに変換するための方法が予測精度に大きく影響し，80％～90％ の精度を達成可能であることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Understanding cell-cell interactions is crucial for unraveling the complexities of multicellular organisms and holds promising implications for advancements in medical science. These interactions, mediated through specific ligand-receptor pairs, remain partially identified. The rapid evolution of gene expression analysis technologies, especially spatial transcriptomics, now allows for the precise capture of gene expression while maintaining cellular localization. While studies using spatial transcriptomics data to visualize known cell-cell interactions are achieving great success, their application to infer unknown cell-cell interaction pairs has not yet been fully investigated. In this study, we introduce a novel approach utilizing Graph Convolutional Neural Networks (GCNN) to infer cell-cell interactions from spatial transcriptomics data. Previous efforts have demonstrated the utility of GCNNs for data obtained through the continuous FISH (fluorescence in situ hybridization) method. We propose an alternative strategy to adapt GCNN-based cell-cell interaction prediction methods to data acquired by in situ capture methods. Additionally, we address the challenge of properly generating training data for the model, implementing a solution that significantly enhances the estimation process. Our findings reveal that the method used to transform Spatial Transcriptomics data into a graph significantly impacts the accuracy of interaction predictions, with prediction accuracies ranging from 80% to 90% under certain conditions.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10505667
• 書誌情報: 研究報告数理モデル化と問題解決（MPS）; 巻 2024-MPS-149, 号 1, p. 1-4, 発行日 2024-07-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8833
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会