Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
단일 세포 멀티오믹스 모달리티 변환을 위한 종합적인 벤치마크인 scTranslation을 제안합니다. 다양한 데이터셋, 최신 모델, 포괄적인 평가 지표를 포함하며 특징 선택 및 퓨샷 설정 등 다양한 시나리오에서의 성능을 체계적으로 분석합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기단일 세포 (single cells) 내에서 여러 오믹스 모달리티 (omics modalities)를 동시에 측정하는 것은 연구자들이 세포 상태와 조절 메커니즘을 더욱 포괄적으로 이해할 수 있게 해줍니다. 그러나 높은 실험 비용, 상당한 노이즈, 그리고 불완전한 모달리티 커버리지로 인해, 최근 몇 년 동안 모달리티 변환 (modality translation)을 위한 다양한 계산 방법론들이 등장했습니다. 변환 모델의 발전에도 불구하고, 데이터셋, 평가 지표 (evaluation metrics), 그리고 영향 요인 측면에서의 체계적인 벤치마크 평가(benchmark evaluation)는 여전히 부족한 실정입니다. 이를 해결하기 위해, 우리는 단일 세포 멀티오믹스 모달리티 변환 작업을 위한 종합적인 벤치마크인 scTranslation을 제시합니다. 이는 다양한 변환 데이터셋을 포함하며, 최첨단 (state-of-the-art) 모델들을 통합하고, 포괄적인 평가 지표를 제공합니다. 또한, 우리는 특징 선택 (feature selection), 특징 품질 (feature quality), 그리고 퓨샷 (few-shot) 설정과 같은 다양한 시나리오 하에서 모델 성능을 평가합니다. 이러한 요인들은 모델 성능에 상당한 영향을 미치지만, 이전에는 체계적으로 연구된 적이 거의 없습니다. 이 벤치마크를 활용하여 우리는 현재 방법론들에 대한 대규모 연구를 수행하였으며, 향후 발전의 새로운 가능성을 여는 많은 통찰력 있는 발견들을 보고합니다. 본 벤치마크는 향후 연구를 촉진하기 위해 오픈 소스로 공개되었습니다. 코드는 https://github.com/Bunnybeibei/scTranslation 에서 익명으로 공개되었습니다.