scGAMNN:基于编码器的单细胞RNA测序数据集成算法使用相互最近的邻居

科学领域:

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

背景情况:

• 高维单细胞RNA测序 (scRNA-seq) 数据汇集和缩小规模对于下游分析至关重要.
• 同时消除批量效应和在scRNA-seq数据集中保存细胞拓,由于复杂的细胞相互关系,这是一项重大挑战.

研究的目的:

• 介绍 scGAMNN,一个使用图形自编码器架构的深度学习模型.
• 为了实现 scRNA-seq 数据集成的同时批次校正和拓保护的维度减小.

主要方法:

• 开发了scGAMNN,这是一个基于图形自编码器的深度学习模型.
• 应用 scGAMNN 集成 scRNA-seq 数据集,专注于批量效应去除和拓保存.
• 评估低维集成数据用于可视化,聚类和轨迹推断.

主要成果:

• scGAMNN成功地执行批次校正和维度减小,同时保持数据集内的单元格拓.
• 来自scGAMNN的综合数据适用于各种下游分析,包括集群和轨迹推理.
• 对比分析表明,scGAMNN在数据集成,集群和轨迹保护方面实现了与其他五种方法相比的或更高的性能.

结论:

• scGAMNN为集成scRNA-seq数据提供了一个强大的解决方案,解决批次校正和拓保存的双重挑战.
• 该模型能够提供准确的低维表示,这有助于可靠的下游生物解释.
• scGAMNN代表了scRNA-seq数据分析的重大进步,提高了集成数据集的质量和实用性.