GCLSC：グラフ対照学習に基づく単一細胞クラスタリングモデル

科学分野:

• ゲノミクス;計算生物学;バイオインフォマティクス

背景:

• 単一細胞RNAシーケンシング（scRNA-seq）は、細胞の不均一性を明らかにします。細胞クラスタリングは、scRNA-seqデータ内の細胞タイプとサブタイプの同定に不可欠です。scRNA-seqデータにおける課題には、高次元性、スパース性、および技術的アーティファクトが含まれます。

研究 の 目的:

• 堅牢な単一細胞クラスタリングのための新しいグラフ対照学習モデルを開発すること。正確な細胞クラスタリングのためのscRNA-seqデータの特性によってもたらされる課題に対処すること。細胞集団プロファイリングのための信頼できる計算ツールを提供すること。

主な方法:

• GCLSC（グラフ対照学習による単一細胞クラスタリング）モデルを提案しました。グラフ・トランスフォーマーとグラフ・アテンションネットワーク（GAT）を統合して、細胞間の相互作用と依存関係をモデル化しました。データ拡張戦略を4つ採用して、データの多様性を高め、過学習を防ぎました。

主要な成果:

• GCLSCは、9つの実世界のscRNA-seqデータセット全体で優れたクラスタリング精度を達成しました。新しい細胞サブタイプの同定と既知の細胞タイプの注釈付けにおいて有効性を示しました。細胞集団プロファイリングのための信頼できるツールとして検証されました。

結論:

• GCLSCは、GAT、トランスフォーマー、および対照学習を効果的に組み合わせて、堅牢な単一細胞分析を実現します。このモデルは、scRNA-seqデータの細胞クラスタリング精度の大幅な向上を提供します。正確なクラスタリングは、単一細胞研究における重要な下流分析をサポートします。