ARGLRR:一种稀疏的低级别表示单细胞RNA测序数据集群方法,与新的图形规范化方法相结合

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 单细胞RNA测序 (scRNA-seq) 能够进行细胞水平的生物学研究.
• 聚类scRNA-seq数据可以识别不同的细胞类型并揭示异质性.
• scRNA-seq数据的高噪声和低覆盖率挑战了现有的集群准确性.

研究的目的:

• 提出一种新的稀疏子空间聚类方法,用于scRNA-seq数据中的细胞类型识别.
• 解决传统低级别表示 (LRR) 方法在捕获本地数据结构方面的局限性.
• 通过整合本地和全球数据特征来提高细胞类型识别的准确性.

主要方法:

• 引入调整的随机步行图表规范化 稀疏的低级别表示 (ARGLRR).
• 集成调整随机步行图规范化以捕获本地数据结构.
• 在LRR框架内应用相似性约束,以增强细胞对细胞相似性估计.

主要成果:

• 与先进的方法相比,ARGLRR在九个scRNA-seq数据集上表现出卓越的性能.
• 在正常化互惠信息和调整的兰德指数中分别实现了6.99%和5.85%的更高表现.
• 统一的多重近似和投影可视化证实了细胞类型的增强分离.

结论:

• 在scRNA-seq数据中,ARGLRR有效地捕获了本地和全球结构.
• 拟议的方法显著提高了细胞类型识别的准确性.
• ARGLRR为分析复杂的scRNA-seq数据和理解细胞异质性提供了强大的解决方案.