基于 GAN 的最优传输谱系追踪方法

Neha Prasad; Karren Yang; Caroline Uhler

基于 GAN 的最优传输谱系追踪方法

机器学习 2022-01-06 v3 机器学习

作者: Neha Prasad , Karren Yang , Caroline Uhler

摘要

在本文中，我们提出 Super-OT，一种将监督学习框架与基于生成对抗网络（GANs）的最优传输相结合的计算谱系追踪新方法。与以往的谱系追踪方法不同，Super-OT 具有整合配对数据的灵活性。我们基于单细胞 RNA-seq 数据将 Super-OT 与 Waddington-OT（一种同样采用最优传输的流行谱系追踪方法）进行基准比较。我们表明，由于 Super-OT 允许在训练期间整合额外信息，其在预测细胞分化过程中的类别结局方面优于 Waddington-OT。

关键词

谱系追踪最优传输生成对抗网络监督学习单细胞 RNA-seq

引用

@article{arxiv.2007.12098,
  title  = {Optimal Transport using GANs for Lineage Tracing},
  author = {Neha Prasad and Karren Yang and Caroline Uhler},
  journal= {arXiv preprint arXiv:2007.12098},
  year   = {2022}
}

备注

4 pages excluding references, 2 figures, 3 tables. Accepted at ICML 2020 Workshop on Computational Biology for Spotlight Presentation. Code can be found here: https://github.com/uhlerlab/superot

基于 GAN 的最优传输谱系追踪方法

摘要

关键词

引用

备注

相关论文