scDFC:用于单细胞RNA-seq数据的深度融合聚类方法
Dayu Hu1, Ke Liang1, Sihang Zhou1
1School of Computer, National University of Defense Technology, No. 109 Deya Road, 410073 Changsha, Hunan, China.
Briefings in bioinformatics
|June 6, 2023
概括
这项研究引入了一种新的深度融合聚类模型,用于单细胞RNA测序数据,以更好地理解瘤异质性. 该方法有效地整合了属性和结构信息,以改进细胞亚群分析.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 聚类对于分析单细胞RNA测序 (scRNA-seq) 数据中的瘤异质性至关重要.
- 传统的聚类方法在高维sscRNA-seq数据方面存在困难.
- 深度聚类方法有希望,但往往忽视了同时整合细胞属性和结构信息.
研究的目的:
- 为scRNA-seq数据开发一种新的深度融合聚类模型.
- 有效地整合属性和结构信息,以提高聚类性能.
- 改进细胞亚群和瘤微环境的研究.
主要方法:
- 提出了一个单细胞深度聚变聚类模型,有两个模块:归因特征聚类和结构注意力特征聚类.
- 利用两个自动编码器来处理各种特征类型.
- 综合属性,结构和注意力信息,用于全面分析.
主要成果:
- 拟议的模型证明了融合属性,结构和注意力信息的有效性和效率.
- 实验结果证实了该模型在scRNA-seq数据上的有效性.
- 这种方法有助于对细胞异质性的更细致的理解.
结论:
- 新的深度融合集群模型为scRNA-seq数据分析提供了一个强大的工具.
- 这种方法提高了识别细胞亚群和研究瘤微环境的能力.
- 开源实现有助于进一步的研究和应用.
