arXiv cs.AI· Ugo Lomoio, Pietro Hiram Guzzi, Pierangelo Veltri·· 3 天前AI 评分18
scHFBiMamba：用双向 Mamba 自编码器从单核 RNA-seq 数据分类心脏疾病状态
scHFBiMamba: a bidirectional Mamba autoencoder for cardiac disease-state classification from single-nucleus RNA-seq data
AI 导读
scHFBiMamba 将双向 Mamba 自编码器（BiMambaAE）与 MLP 头结合，把 16,545 基因表达谱映射为 350 维隐表示，参数量 13.2M，比稠密 DAE（192.9M）少约 14.6 倍。
正文 · AI 翻译
摘要：评估紧凑的双向状态空间自编码器能否改善对心力衰竭（HF）单核 RNA 测序图谱中物种、细胞类型和疾病状态的联合分类，同时产生可解释的基因归因。在 Ruz Jurado 等人的稠密去噪自编码器（DAE）和 MLP 框架基础上，我们开发了 scHFBiMamba，将双向 Mamba 自编码器（BiMambaAE）与 MLP 头相结合。BiMambaAE 使用 1320 万参数将 16,545 个基因的图谱映射到 350 维潜在表示，比稠密 DAE（1.929 亿）少约 14.6 倍。我们在 38,275 个留出心脏细胞核上使用 McNemar 检验和 Benjamini-Hochberg 校正比较了六种编码器-分类器配置，并在冻结表示上评估了九种分类器。通过将 SHAP 导出的差异解释基因与差异表达基因针对精选的 HF 相关 Gene Ontology 关键词进行比较，评估了生物学相关性。BiMambaAE+MLP 取得了最高的总体 F1：13 个输出的合并宏 F1 为 0.966，而 DAE+MLP 为 0.957；平均类别宏 F1 为 0.977，而后者为 0.970。它显著提高了细胞类型和疾病状态的准确率（校正后 p=7.1e-3 和 p=4.8e-6），物种 F1 为 1.000。SHAP 导出的差异解释基因在通路富集基准上取得了 0.105 的 F1，而差异表达基因为 0.053。紧凑的双向状态空间自编码器在联合心脏转录组分类中可优于大得多的稠密自编码器，同时减少参数。scHFBiMamba 能够实现准确的多任务预测和生成假设的基因水平解释。代码：此 https URL。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15117 [cs.LG] |
| （或 arXiv:2610.15117v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15117 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ugo Lomoio [查看电子邮件]
[v1]
2026年10月10日星期六 18:47:11 UTC（7,270 KB）
来源：arXiv cs.AI · arxiv.org