In this presentation, the speaker discusses the rapid growth of single‑cell sequencing technologies such as 10x Genomics, Drop‑seq, Fluidigm, and related platforms, highlighting the technical challenges of sparsity, heterogeneity, and the lack of a unified similarity metric for cells. To address these issues, the speaker introduces S.I.M.I.L.A.R. (Single Cell Interpretation Via Multi‑Kernel Learning), a computational framework that learns a cell‑cell similarity matrix by combining multiple Gaussian kernels through a tri‑convex optimization of similarity (S), kernel weights (λ), and a low‑rank embedding matrix (W). The method requires only a single regularization parameter (C) and scales to thousands of cells and tens of thousands of genes. Benchmark experiments on diverse datasets (Fluidigm neuronal cells, various immune cell types, and 10x Genomics data) demonstrate that S.I.M.I.L.A.R. outperforms traditional Euclidean, Pearson, and other recent single‑cell clustering methods across multiple quantitative metrics. Visualizations using t‑SNE on the learned similarity matrix show clearer separation of cell types. The talk concludes with optimism about the method’s applicability to downstream analyses such as cell‑type identification, trajectory inference, and high‑dimensional data visualization.
Chapters
Σας ευχαριστώ, Συλβία. Είναι πραγματικά υπέροχο να μιλήσουμε εδώ. Σήμερα δεν θα μιλήσω πραγματικά για το κίνημα, αλλά θα ήθελα να μιλήσω για ένα πολύ δυνατό τύπο δεδομένου που έχει εμφανιστεί τα τελευταία δύο χρόνια, το σύγκρινο σύγκρινο σύγκρινο κίνημα, το οποίο πιστεύω ότι στις προσεκτικές μέρες θα έχει το πιθανότητα να δημιουργήσει υπέροχες διαδίκτυες στην αναλύση του κίνηματος του κίνηματος, δημιουργούν μεγάλες ποσότητες ευαίσθησης, με την οποία αυτή η τεχνολογία προσπαθεί να εξελίξει. Οπότε, τα τελευταία μερικά χρόνια, πολλές τεχνολογίες όπως αυτή, δημιουργημένη εδώ, Fluidigm, και επίσης κάποιες τεχνολογίες δημιουργημένες στο Harvard, Indrop και Dropseq και στο 10X Genomics, έχουν επιτρέψει να λύσουν το τεχνικό πρόβλημα της ισολογίας μόνιων κελνών σε αρκετή περίπτωση και να εξελιχθούν και να αυξήσουν το DNA ή το ΡΝΑ υλικό από τα μόνιμα κελνά. Έχουμε συνεργαστεί πολύ κοντά με το 10X Genomics. που δημιουργήθηκε μια πολύ υψηλή περίπτωση, πολύ ενθουσιαστική τεχνική για να μικροφλουδοποιήσει μικροφλουδοποιώντας μικρές κελάδια σε νεκροβούλες νερού, οπότε, βασικά, μικροφλουδοποιώντας νερό. Και τότε, βασικά, να διευκολύνει συγκεκριμένες μολεκουραρχικές αντιδράσεις για κάθε ενός των γενωμάτων εκφράζοντας σε κάθε μικρές κελάδια, bar-coding, Ειδικά σε κάθε κατασκευή και έτσι ξέρετε ποια ΡΝΑ έχει εξηγηθεί σε ποια κελιά. Μερικές χαρακτηριστικές αυτής της τεχνολογίας είναι ότι είναι πολύ υψηλή περίπτωση αντιμετωπίζοντας και τις άλλες, αλλά είναι επίσης περισσότερος σπαρ, οπότε βασικά λαμβάνετε πολλή νομισμότητα σχετικά με την μορφή τραπεζών, κελιά που μπορεί να εξηγήσουν αλλά δεν είναι πραγματικά μετωπισμένα. Συγκεκριμένα, όταν αναλύζουμε δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα δεδομένα Μπορούμε να προσπαθήσουμε να βρούμε αυτοκίνηση μεταξύ ενός συγκεκριμένου κύματος, ή μεταξύ κύματων, δεδο ή να διαδικαστούμε μεταξύ υγιεινών και πνευματικών κύματων, όπως υγιεινών κύματων και τυμών, του ίδιου κύματος. Οι κύματα μπορούν να είναι σε διαφορετικά στάδια του κύματος. Και μετά, κάθε τεχνολογία, όπως γίνεται, παρουσιάζει διαφορετικά είδη νόημα στο παιχνίδι. Εξαιτίας όλων αυτής της μεγάλης ποσοτητας διαφορετικότητας, Δεν είναι πρακτικό και δεν είναι πιθανό να προδοθεί ένα τρόπο να πει ποια κελιά είναι σχεδόν σχετικά με ποια κελιά. Είναι πολύ δύσκολο να βρεις βασικά μια μαθηματική λειτουργία που αντιμετωπίζει όλες τις στατιστικές προσωπικές όλων αυτών των διαφορετικών τύπων δεδομένων. Και να πείτε ποια κελιά είναι σχετικά με ποια άλλα κελιά είναι φυσικά το κλειδί για να κάνετε περισσότερες αναλύσεις όπως το κλίμα των κελίων σε διαφορετικά τύπους κελιά, ή να σκεφτείτε αν κάποιες κελιά είναι εμφανισμένες ή να ακολουθείτε κελιά μεταξύ σημερινών σημεριών. Προσπαθούμε να δημιουργήσουμε ένα μέθοδο που βοηθάει σε κάθε είδους αναλύσεις ανάπτυξης, όπως η κλάστιση και τη βιζουαλισία δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δεδομένων δε Θα ήθελα να παρουσιάσω σήμερα S.I.M.I.L.A.R. που σημαίνει Single Cell Interpretation Via Multi-Kernel Learning. Είναι μυαλή, γνωρίζω. Ο S.I.M.I.L.A.R. έχει μερικές προϊόντες. Δεν χρειάζεται προηγούμενη ειδοποίηση γενιών. Δεν χρειάζεται να πείτε S.I.M.I.L.A.R. ποιο σύστημα γενιών είναι σημαντικό για ένα δεδομένο βιολογικό εξετάσιο. Θέλουμε να μπορούμε να κάνουμε μια ασφαλή, ασφαλή αναλύση των S.I.M.I.L.A Ξεκίνησαμε μια μέτρα σχεδιασμού κεφαλαίου κεφαλαίου, οπότε δεν εξαρτάμε στην ευκλήδια διαστασία ή σχεδιασμό πρόσωπων ή κάτι τέτοιο μέσα από τις κεφαλαίες και θέλουμε να είμαστε με υψηλή περίπτωση και να κατασκευάσουμε μια πολύ μεγάλη ποσότητα νόημα, όπως είναι απαραίτητο για αυτήν την τύπη αναλύσης. Ας προσπαθήσουμε στα επόμενα λίγα λεπτά να περιγράψουμε τις κυριαρχικές ιδέες για το Similar. Αυτό που κάνουμε στο Similar είναι να ξεκινήσουμε με ένα πολύ μεγάλο αριθμό προδεδομένων μαθηματικές συμπληρωτικές δραστηριότητες. Αυτές εξηγούνται στο τρόπο κέρνηλων γαουσιανικών συμπληρωτικών δραστηριότητων. Και αυτό που υποδεικνύουμε είναι ότι η ματρίξη που δίνουμε από κέρδη μεταξύ γενωμάτων, δείχνει κάποια είδη κλωστροποίησης. Οπότε αν ήσασταν να γνωρίζουμε την αληθινή σχηματικότητα μεταξύ κάθε κομμάτια κεφαλαίου, τότε αυτή η κεφαλαϊκή σχηματικότητα μεταξύ κεφαλαίου, την οποία βλέπω εδώ σε γευμό και αυγό, θα εκδηλώσεται μια στρατιωτική κομμάτια. Σιμιλάρ χρησιμοποιεί μόνο ένα παράμετρο ως εισόδημα και αυτό είναι ο παράμετρος C για το νούμερο C των κλίστρων, στο οποίο αξιολογούμε τα κελιά να είναι κλίστρια. Και θέλω να πω ότι τα εξετάσεις μας έδειξαν ότι, στην πρακτική, ο Σιμιλάρ δεν είναι πολύ αυστηρός με αυτό το νούμερο C. Ωστόσο, πώς θα κάνουμε το μάθημα? Αυτή είναι η οπτιμιζασιότητα της οποίας χρησιμοποιούμε. Δεν θα πάω πολύ σχετικά σε αυτό, αλλά ας υπηρετήσω μερικά πράγματα. Αυτή είναι μια οπτιμιζασιότητα της Tri-Convex. Διδάσκουμε S, τη παρόμοιοτητα μεταξύ κάθε κομμάτια κελιά. Διδάσκουμε λ και λ είναι πραγματικά μια μικρή αριστερή ματρίξη που κλειδίζει τα κεφαλαία σε μερικές κλειδίες, C-κλειδίες και μαθαίνουμε W, η οποία είναι ένα βασικό βέκτος πάνω από όλες τις διαφορετικές ματρίξεις παρόμοιων που ξεκίνησαμε. Λοιπόν, πώς το κάνουμε αυτό? Αποφασίζουμε ότι θέλουμε να βρούμε την παρόμοιοτητα που κάνει τα κελιά τόσο κλειστιστικά όσο μπορεί. Αυτά είναι όπως τις τερματοδοτησίες, και αυτό είναι βασικά όπου συμβαίνει η κλειστιστική. Λοιπόν, αυτό είναι το κανονισμένο Λαπλασιάν και βασικά θέλουμε να βάλουμε τα κελιά σε διάφορες συγκεκριμένες συγκεκριμένες συγκεκριμένες συγκεκριμένες συγκεκριμένες Ας πάμε λίγο γρήγορα. Στην πρακτική, αυτό το πλαίσιο λειτουργεί πολύ γρήγορα και μπορεί να αναλύσει μέχρι χιλιάδες κελιάδες, οπότε βασικά μια μάτρυξη χιλιάδες κελιάδες πάνω από 20 χιλιάδες γενών. Και για να δούμε πόσο καλά κάνει, πρώτα ξεκινήσαμε με μερικές πρόσφατες δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφικές δημοσιογραφ Αυτά δημιουργήθηκαν με FluidDyne, με νευριακά κελιά με ψηφιακά υπολόγια, δημιουργημένα με ροβότικο προτοκόλιο, με εμβριώνικα κελιά σε διαφορετικά κύκλωμα-κύκλωμα κύκλων, και με πλουρυπωτερικά κελιά υπό διαφορετικά περιβαλλοντικά κατάστασματα. Εντάξει, ένα πράγμα που θέλω να εξηγήσω είναι ότι το σχεδιασμό μας, που θα σας δείξω τώρα τα αποτελέσματα, όταν μάθει τη σχεδιασμότητα μεταξύ διαφορετικών τύπων κεφαλαίων, δεν λειτουργεί μια μοναδική σχεδιασμότητα, μια μοναδική διάσταση λειτουργία. Στην κορυφή αριστερά βλέπετε τα λόγια διαφορετικών διάστασης λειτουργίας, οπότε πραγματικά πόσο κάθε ένα από αυτούς είναι μεγάλος. Στην κορυφή αριστερά βλέπετε κλίμακα αν ένα από τις διάστατες λειτουργίες χρησιμοποιήθηκε και στην πλάτη δεξιά βλέπετε κλίμακα κάνοντας από παρόμοια. Λοιπόν, βλέπετε ότι αν συνδυάζουμε πολλές διάστατες λειτουργίες και μάθουμε αυτοματικά τι είναι το σωστό τρόπο μεταξύ των, πραγματικά κλίμακαμε τα κεφάλαια σε ένα πολύ ωραίο μπλοκ σύστημα. Αλλά είναι αυτό το πραγματικό μπλοκ σύστημα και αυτό είναι αυτό που θέλω να συνεχίσω. Μια άλλη φωτογραφία εδώ. Αυτό που σας δείχνω στην κορυφή είναι οι μπλοκ στρατιώτες που αποδεικνύονται από τα σχετικά μας μέθοδα, αντιμετωπίζοντας αν χρησιμοποιήσαμε αντίθετα τη διάρκεια Euclidean ή την κορυφή Pearson μεταξύ κεφαλαίων. Έτσι, βλέπουμε ότι μια σχετική διάρκεια λειτουργία πραγματικά κάνει κάτι που παρακολουθεί να είναι χρήσιμο. Ας πάμε τώρα στους αποτέλεσματές. Αντιμετωπίζοντας την πραγματική αλήθεια που ήταν γνωστή για κάθε από αυτές τις τέσσερις διαφορετικές εξετάσεις, αντιμετωπίσαμε σχετικά με το πόσο καλά δουλεύει αντιμετωπίζοντας πολλές παραδοσιακές προηγούμενες μέθοδες, που δημιουργήθηκαν πρόσφατα, συγκεκριμένα για μοναδικά κελιά. Και όπως βλέπουμε, δύο διαφορετικά μέτρα κλίμακας, ένα από αυτά μέτραζε πόσο καλά η κλίμακά μας συμπεριλαμβάνεται με την αληθινή πραγματικότητα. Το άλλο, πόσο καλά κάθε κεφάλαιο, το γειτονισμό της κλίμακας μας, πόσο πληροφοριστικό είναι σχετικά με το πραγματικό λαβένι του κεφάλαιου. Σε όλες αυτές τις μέτρες, η μέθοδος μας αυξάνει σημαντικά κάθε από τις άλλες προηγούμενες μέθοδες. και μετά χρησιμοποιούμε σχεδόν για βιζουαλισμό των δεδομένων. Το κάνουμε με τη χρήση μιας δημοφιλής εξετικής εργαλείας που ονομάζεται T-SNE, για T-Stochastic Neighbor Embedding. Το T-SNE προσπαθεί να λειτουργήσει να βρει την εμβάσταση Euclidean της μεγαλύτερης... μεταγραφικό δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δεδομένο δε Ουπς, αααααααααααααααααααααααααααααααααααααααααααααααααααααα Εντάξει. Βλέπουμε ότι υπάρχει μια διαφορά μεταξύ Mac και τέτοιων κινητών που χρησιμοποιούνται σε αυτή τη συμφωνία. Αυτό που θέλω να σας φανταστείτε εδώ είναι ότι στην πρώτη πλευρά υπάρχει, και δεν θα μπορούσα να γνωρίζω ότι αυτό θα έπρεπε να συμβεί. Στην πρώτη πλευρά μου βλέπετε πολύ όμορφες, διαχωριστές κλάστες με σχηματικά, σε κάθε από αυτές τις μέθοδες, αντιμετωπίζοντας και άλλες μέθοδες που έβλεπαν πολύ χειρότερα. Αυτό είναι φανταστικό. Ας δούμε αν κάποια από αυτές τις παιχνίδια θα λειτουργήσουν. Έκαναν κάποια δουλειά επίσης σε πρόσφυγες δεδομένες με 10x. Αυτές είναι πολύ υψηλές δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης δεδομένης διαφορετικά είδους κελιά, T-Κελιά, CD4, T-Κελιά, CD8, B-Κελιά, μονωσίτες και προγενικότερα κελιά που στην δεξιά εδώ εφαρμόζονται σε διαφορετικά χρώματα, ανάλογα με την κλάσση μας. Και αυτό είναι βασικά αυτό που βλέπετε, είναι το 2D T-SNE plot της δεδομένης. Βγήκαμε ακόμα και πήραμε κάθε από αυτές τις κλίμακες και παρακολουθήσαμε ακόμα σχετικά με αυτές τις κλίμακες και βρήκαμε ακόμα μια ξεκάθαρη αυτογενεία που τώρα αναλύζουμε και δεν θα έχω πολύ χρόνο για να περάσω τα συγκεκριμένα μας αποτελέσματα, αλλά βασικά εμείς είμαστε πολύ ελπίζοντες ότι το σχεδόν μπορεί να λειτουργήσει σε αυτά τα πολύ λεπτά, πολύ υψηλά δεδομένα που είναι κυριαρχικά της τεχνολογίας 10x. Οπότε χωρίς περισσότερη ανάπτυξη, πιστεύω ότι χωρίζω χρόνο. Θα ήθελα να τελειώσω. Θα θέλω να ευχαριστήσω τους μαθητές μου, Bo Wang και Jason Zhu και επίσης τον συνεργάτη μας, Emma Pearson, που έκανε όλη αυτή τη δουλειά. Θα θέλω να ευχαριστήσω το TENEX για το δίκτυο που διδάσκει τα δεδομένα μαζί μας και επίσης τις πληροφορίες μας. Σας ευχαριστώ για την προσοχή σας. Είμαι χαρούμενος να λάβετε ερωτήσεις.
