集成嵌入式的深度学习,用于聚类多式联网单细胞数据
Lijia Yu1,2,3, Chunlei Liu1,3, Jean Yee Hwa Yang2,3,4,5
1Computational Systems Biology Group, Children's Medical Research Institute, Faculty of Medicine and Health, The University of Sydney, Westmead, NSW 2145, Australia.
Bioinformatics (Oxford, England)
|June 14, 2023
概括
SnapCCESS集成了多式联网单细胞数据,以改善细胞聚类. 这种无监督的深度学习框架通过有效结合基因表达和染色体可访问性数据来增强细胞类型的特征.
科学领域:
- 一个单细胞的奥米克.
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
背景情况:
- 多模式单细胞奥米克技术同时对多个分子属性 (基因表达,染色质可访问性,蛋白质丰富性) 进行分析.
- 为准确的细胞聚类提取跨模式的综合信息仍然是一个计算挑战.
研究的目的:
- 开发一个无监督的集体深度学习框架,SnapCCESS,以有效地集成和聚类多式单细胞omics数据.
- 通过利用跨多个分子数据模式的信息来改善细胞聚类和表征.
主要方法:
- SnapCCESS使用变量自动编码器来创建多式联运数据的嵌入式.
- 它采用了一个无监督的集体深度学习框架,用于共识聚类.
- 该方法与各种聚类算法兼容.
主要成果:
- SnapCCESS有效地整合了多式单细胞omics数据,用于细胞聚类.
- 与传统的集体深度学习方法相比,它表现出更高的效率和性能.
- 该框架在集群数据集成方面优于现有的多式联运嵌入式生成方法.
结论:
- SnapCCESS为多式联网单细胞omics数据集成和集群提供了强大而高效的解决方案.
- 改进的细胞聚类有助于更准确的细胞身份和类型表征.
- 这一进步对于单细胞体质学研究下游分析至关重要.
