Domain Adaptive and Fine-grained Anomaly Detection for Single-cell Sequencing Data and Beyond

要約

影響を受けた組織からのきめの細かい異常細胞の検出は、臨床診断や病理学的研究にとって重要です。
単一細胞配列データは、このタスクに前例のない機会を提供します。
しかし、現在の異常検出方法は、マルチサンプルおよびマルチドメインの単一セルシーケンスデータで一般的なドメインシフトを処理するのに苦労しており、最適なパフォーマンスに至っていません。
さらに、これらの方法は、異常な細胞を病理学的に異なるサブタイプに区別することができません。
これに応えて、我々は、異常セルの検出、ドメイン適応、およびきめ細かいアノテーションを方法論的に一貫したワークフローに統合する、新しい再構築偏差ガイド型生成フレームワークである ACSleuth を提案します。
特に、ドメイン シフトの代わりに、異常検出のための生成モデルによって出力された再構築偏差を使用する最初の理論的分析を提示します。
この分析により、ACSleuth で新しく優れた最大平均不一致ベースの異常スコアラーを開発することが可能になります。
さまざまな単一細胞データやその他の種類の表形式データに対する広範なベンチマークにより、マルチサンプルおよびマルチドメインのコンテキストにおける異常の特定とサブタイプ化において、ACSleuth が最先端の手法よりも優れていることが実証されています。
私たちのコードは https://github.com/Catchxu/ACsleuth で入手できます。

要約(オリジナル)

Fined-grained anomalous cell detection from affected tissues is critical for clinical diagnosis and pathological research. Single-cell sequencing data provide unprecedented opportunities for this task. However, current anomaly detection methods struggle to handle domain shifts prevalent in multi-sample and multi-domain single-cell sequencing data, leading to suboptimal performance. Moreover, these methods fall short of distinguishing anomalous cells into pathologically distinct subtypes. In response, we propose ACSleuth, a novel, reconstruction deviation-guided generative framework that integrates the detection, domain adaptation, and fine-grained annotating of anomalous cells into a methodologically cohesive workflow. Notably, we present the first theoretical analysis of using reconstruction deviations output by generative models for anomaly detection in lieu of domain shifts. This analysis informs us to develop a novel and superior maximum mean discrepancy-based anomaly scorer in ACSleuth. Extensive benchmarks over various single-cell data and other types of tabular data demonstrate ACSleuth’s superiority over the state-of-the-art methods in identifying and subtyping anomalies in multi-sample and multi-domain contexts. Our code is available at https://github.com/Catchxu/ACsleuth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google