GCLSC: Modelo de agrupamiento de células únicas basado en aprendizaje contrastivo de grafos

Área de la Ciencia:

• Genómica
• Biología Computacional
• Bioinformática

Sus antecedentes:

• La secuenciación de ARN de células únicas (scRNA-seq) revela la heterogeneidad celular.
• El agrupamiento celular es vital para identificar tipos y subtipos celulares en datos de scRNA-seq.
• Los desafíos en los datos de scRNA-seq incluyen alta dimensionalidad, esparsidad y artefactos técnicos.

Objetivo del estudio:

• Desarrollar un novedoso modelo de aprendizaje contrastivo de grafos para el agrupamiento robusto de células únicas.
• Abordar los desafíos que plantean las características de los datos de scRNA-seq para un agrupamiento celular preciso.
• Proporcionar una herramienta computacional confiable para el perfilado de poblaciones celulares.

Principales métodos:

• Propuesto modelo GCLSC (Graph Contrastive Learning for Single-Cell Clustering).
• Integrado Transformer de grafos y Red de Atención de Grafos (GAT) para modelar interacciones y dependencias celulares.
• Empleadas cuatro estrategias de aumento de datos para mejorar la diversidad de datos y prevenir el sobreajuste.

Principales resultados:

• GCLSC logró una precisión de agrupamiento superior en nueve conjuntos de datos de scRNA-seq del mundo real.
• Demostró eficacia en la identificación de subtipos celulares novedosos y la anotación de tipos celulares conocidos.
• Validado como una herramienta confiable para el perfilado de poblaciones celulares.

Conclusiones:

• GCLSC combina eficazmente GAT, Transformer y aprendizaje contrastivo para un análisis robusto de células únicas.
• El modelo ofrece mejoras significativas en la precisión del agrupamiento celular para datos de scRNA-seq.
• El agrupamiento preciso apoya análisis posteriores críticos en la investigación de células únicas.