Winnow-KAN: single-cell RNA-seq location recovery with small-gene-set spatial transcriptomics
Notice bibliographique
Résumé
Keywords: Cell mapping, Deep Learning, Kolmogorov-Arnold network, Single-cell RNA-seq, Spatial transcriptomics.Single-cell RNA sequencing (scRNA-seq) has revolutionized our understanding of cellular heterogeneity. However, its collection process prevents the investigation of tissue organization due to the lack of spatial origins for the cells. Recent advances in computational methods have addressed this gap by leveraging spatial transcriptomics, which simultaneously profiles gene expression and spatial coordinates. While these state-of-the-art methods demonstrate excellent performance in cell location recovery, their effectiveness is often specific to the particular pair of scRNA-seq and spatial transcriptomics datasets used, limiting their scalability to larger datasets and generalizability to external query scRNA-seq data. In this study, we demonstrate the feasibility of leveraging a novel model architecture to address the redundancy in scRNA-seq datasets and facilitate prediction with a much smaller set of genes. We present Winnow-KAN, a method designed to reduce the number of required gene variables in cell-mapping tasks. Built on a modified structure of the Kolmogorov-Arnold Network, Winnow-KAN leverages the Kolmogorov-Arnold Representation Theorem to facilitate location predictions using fewer features than those required by multi-layer perceptron-based methods. Winnow-KAN includes a selector layer that reduces the size of the gene set used for prediction, enabling the model to recover query scRNA-seq data with performance comparable to MLP-based approaches that rely on the full gene set. We benchmarked Winnow-KAN using multiple datasets generated from brain and cancer tissues, derived from platforms such as Visium and MERFISH.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».