.png){kind=icon}
返回
DGP-LVM: Derivative Gaussian process latent variable models
.png){kind=icon}
OA
AI
DOI：10.1007/s11222-025-10644-4.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种用于导数高斯过程潜变量模型（DGP-LVMs）的框架，该框架能够利用改进的导数协方差函数处理多维输出数据。这些改进考虑了底层数据生成过程的复杂性，例如缩放导数、多个输出维度间的信息差异以及输出间的相互作用。此外，我们的框架通过贝叶斯推断为每个潜变量样本提供不确定性估计。通过广泛的模拟实验，我们证明，由于我们提出的协方差函数改进，通过包含导数信息可以显著提高潜变量估计的准确性。这些发展源于一个具体的生物学研究问题，涉及从单细胞RNA（scRNA）测序数据中估计未观察到的细胞排序，以及其对应的导数信息，即RNA速度。由于RNA速度仅是精确导数信息的估计，导数协方差函数需要考虑潜在的尺度差异。在一个实际案例研究中，我们展示了DGP-LVMs在上述scRNA测序数据中的应用。尽管受到这一生物学问题的启发，我们的框架普遍适用于所有涉及导数信息的潜变量估计问题，而不受研究领域限制。
Keyword:
Gaussian processes
Single-cell RNA
Bayesian inference
Derivative GPs
Latent variables
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
1.6
论文数:
200
被引数:
0
机构
引用论文
分享收藏The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells单细胞的假时间顺序揭示了细胞命运决定的动力学和调节剂.png)
NATURE BIOTECHNOLOGYOAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏Simulation-based inference of differentiation trajectories from RNA velocity fieldsCELL REPORTS METHODSOAAI
CELL REPORTS METHODSIF4.5
OAAI分享收藏
查看更多内容