El Fin Del Conocimiento - Vault 6/59 - CVPR - 2020

graph LR classDef main fill:#f9d4f9, font-weight:bold, font-size:14px classDef basics fill:#f9d4d4, font-weight:bold, font-size:14px classDef methods fill:#d4f9d4, font-weight:bold, font-size:14px classDef analysis fill:#d4d4f9, font-weight:bold, font-size:14px classDef ml fill:#f9f9d4, font-weight:bold, font-size:14px classDef future fill:#d4f9f9, font-weight:bold, font-size:14px Main["Aprendizaje en Espacio Latente"] --> A["Conceptos Básicos"] Main --> B["Métodos de Análisis"] Main --> C["Integración de Datos
y Mapeo"] Main --> D["Enfoques de Aprendizaje
Automático"] Main --> E["Técnicas Avanzadas
y Direcciones Futuras"] A --> A1["Genómica de célula única:
analizar expresión génica
de células individuales 1"] A --> A2["Secuenciación de transcriptoma:
capturar, secuenciar ARN
de células 2"] A --> A3["Análisis de linaje
celular: estudiar trayectorias
de desarrollo 3"] A --> A4["Ordenamiento pseudo-temporal:
organizar células según
trayectoria de expresión 4"] A --> A5["Clasificación de tipo
celular: etiquetar células
por expresión 13"] A --> A6["Transcriptómica espacial:
preservar ubicación de
expresión génica en tejido 18"] B --> B1["Aprendizaje en espacio
latente: capturar relaciones
no lineales 5"] B --> B2["Corrección de efecto
de lote: eliminar variaciones
técnicas 12"] B --> B3["Inferencia de trayectorias:
reconstruir caminos de
desarrollo o enfermedad 16"] B --> B4["Reducción de dimensionalidad:
visualizar datos de alta
dimensionalidad 17"] B --> B5["Velocidad de ARN:
inferir estados futuros
de células 19"] B --> B6["Análisis de expresión
diferencial: identificar niveles
génicos variables 26"] C --> C1["Integración de datos:
combinar múltiples conjuntos
de datos de célula única 8"] C --> C2["Atlas de Células
Humanas: mapa completo
de tipos celulares 9"] C --> C3["Mapeo de referencia:
alinear conjuntos de datos
a atlas existentes 14"] C --> C4["Integración multi-ómica:
combinar tipos de datos
moleculares 15"] C --> C5["Comparación entre especies:
analizar similitudes de
tipos celulares 23"] C --> C6["Curación de atlas
celular: crear, mantener
mapas de referencia 25"] D --> D1["Autoencoders: comprimir,
reconstruir datos de alta
dimensionalidad 6"] D --> D2["Autoencoders de conteo
profundo: manejar datos
de ARN de célula única 7"] D --> D3["Aprendizaje por transferencia:
aplicar modelos preentrenados
a conjuntos de datos 10"] D --> D4["Cirugía arquitectónica
de célula única: adaptar
redes preentrenadas 11"] D --> D5["Interpretabilidad de modelos:
explicar decisiones de
aprendizaje automático 20"] D --> D6["Modelos generativos:
crear datos sintéticos
de célula única 27"] E --> E1["Modelado de perturbaciones:
predecir respuestas
celulares a drogas 21"] E --> E2["Detección de tipos
celulares raros: identificar
poblaciones poco comunes 22"] E --> E3["Escalabilidad: manejar
grandes conjuntos de datos
de célula única 24"] E --> E4["Cuantificación de incertidumbre:
evaluar confianza en
predicciones 28"] E --> E5["Zoológicos de modelos:
colecciones de modelos
preentrenados 29"] E --> E6["Arquitecturas convolucionales:
analizar relaciones espaciales
en datos 30"] class Main main class A,A1,A2,A3,A4,A5,A6 basics class B,B1,B2,B3,B4,B5,B6 methods class C,C1,C2,C3,C4,C5,C6 analysis class D,D1,D2,D3,D4,D5,D6 ml class E,E1,E2,E3,E4,E5,E6 future

Resumen:

1.- Genómica de célula única: Técnica para analizar la expresión génica en células individuales, proporcionando mayor resolución que los métodos tradicionales de genómica a granel.

2.- Secuenciación de transcriptoma: Proceso de captura y secuenciación de ARN de células individuales, permitiendo el análisis de perfiles de expresión génica.

3.- Análisis de linaje celular: Estudio de trayectorias de desarrollo de células usando datos de célula única para entender procesos de diferenciación y enfermedad.

4.- Ordenamiento pseudo-temporal: Método computacional para organizar células a lo largo de una trayectoria basada en similitudes de expresión génica.

5.- Aprendizaje en espacio latente: Técnica para capturar relaciones complejas y no lineales en datos de célula única de alta dimensionalidad usando redes neuronales.

6.- Autoencoders: Arquitecturas de redes neuronales usadas para comprimir y reconstruir datos de alta dimensionalidad, revelando patrones subyacentes en la expresión génica.

7.- Autoencoders de conteo profundo: Autoencoders especializados diseñados para manejar las características únicas de los datos de secuenciación de ARN de célula única.

8.- Integración de datos: Combinación de múltiples conjuntos de datos de célula única para crear referencias completas y permitir comparaciones entre estudios.

9.- Atlas de Células Humanas: Proyecto a gran escala que busca crear un mapa de referencia completo de todos los tipos de células humanas.

10.- Aprendizaje por transferencia: Aplicación de conocimientos obtenidos de modelos preentrenados a nuevos conjuntos de datos, mejorando la eficiencia y escalabilidad en el análisis de célula única.

11.- Cirugía arquitectónica de célula única (SCAS): Método para adaptar redes neuronales preentrenadas para integrar nuevos conjuntos de datos de manera eficiente.

12.- Corrección de efecto de lote: Técnicas para eliminar variaciones técnicas entre diferentes experimentos mientras se preservan las diferencias biológicas.

13.- Clasificación de tipo celular: Asignación de etiquetas de tipo celular a células individuales basándose en patrones de expresión génica.

14.- Mapeo de referencia: Alineación de nuevos conjuntos de datos de célula única a atlas de referencia existentes para anotación y comparación.

15.- Integración multi-ómica: Combinación de diferentes tipos de datos moleculares (e.g., ARN, proteínas, epigenética) de células individuales para un análisis completo.

16.- Inferencia de trayectorias: Métodos computacionales para reconstruir caminos de desarrollo o progresión de enfermedades a partir de datos de célula única.

17.- Reducción de dimensionalidad: Técnicas para visualizar datos de célula única de alta dimensionalidad en espacios de menor dimensionalidad para análisis e interpretación.

18.- Transcriptómica espacial: Métodos para analizar la expresión génica mientras se preserva la información espacial dentro de los tejidos.

19.- Velocidad de ARN: Técnica para inferir estados futuros de células basándose en las proporciones de ARN no empalmado y empalmado.

20.- Interpretabilidad de modelos: Esfuerzos para entender y explicar las decisiones tomadas por modelos de aprendizaje automático en el análisis de célula única.

21.- Modelado de perturbaciones: Predicción de respuestas celulares a drogas u otras perturbaciones usando datos de célula única y aprendizaje automático.

22.- Detección de tipos celulares raros: Identificación y caracterización de poblaciones celulares poco comunes dentro de tejidos complejos.

23.- Comparación entre especies: Análisis de similitudes y diferencias en tipos celulares y patrones de expresión génica entre diferentes organismos.

24.- Escalabilidad en el análisis de célula única: Desarrollo de métodos computacionales para manejar conjuntos de datos de célula única cada vez más grandes y complejos.

25.- Curación de atlas celular: Proceso de creación, mantenimiento y actualización de mapas de referencia completos de tipos celulares para varios tejidos.

26.- Análisis de expresión diferencial: Identificación de genes que se expresan a diferentes niveles entre tipos celulares o condiciones.

27.- Modelos generativos: Enfoques de aprendizaje automático que pueden crear datos sintéticos realistas de célula única para diversas aplicaciones.

28.- Cuantificación de incertidumbre: Evaluación y representación de la confianza en las predicciones en tareas de análisis de célula única.

29.- Zoológicos de modelos: Colecciones de modelos preentrenados para el análisis de datos de célula única, permitiendo una reutilización y adaptación eficientes.

30.- Arquitecturas convolucionales: Diseños de redes neuronales adaptados para analizar relaciones espaciales en datos de célula única o transcriptómica espacial.

Vault de Conocimiento construido por David Vivancos 2024