自主监督的单细胞RNA-seq数据的深度聚类,以分层检测罕见细胞群
Tianyuan Lei1, Ruoyu Chen2, Shaoqiang Zhang1
1College of Computer and Information Engineering, Tianjin Normal University, Tianjin 300387, China.
Briefings in bioinformatics
|September 28, 2023
概括
DeepScena通过改善细胞聚类来增强单细胞RNA测序 (scRNA-seq) 分析. 这种新的工具可以准确地识别大型数据集中的罕见细胞种群,优于现有的方法.
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:
- 单细胞RNA测序 (scRNA-seq) 可以在单个细胞水平上进行基因表达分析.
- 聚类对于scRNA-seq数据分析至关重要,但由于数据稀疏和高维度,它面临着挑战.
- 现有的深度学习集群方法往往无法有效地捕捉数据分布或细胞关系.
研究的目的:
- 为scRNA-seq数据开发一种基于深度学习的新层次聚类工具.
- 提高细胞聚类的准确性和效率,特别是用于检测罕见细胞群.
- 解决现有方法在处理大规模,高维的scRNA-seq数据集方面的局限性.
主要方法:
- 介绍了DeepScena,这是一个用于scRNA-seq数据的等级聚类工具.
- 纳入非线性维度减小技术.
- 利用基于负二项式的卷积自编码器来匹配数据,并使用自我监督模型来增强细胞相似性.
主要成果:
- 与七个流行的工具相比,DeepScena在多个大规模scRNA-seq数据集中展示了优越的集群准确性.
- 该工具在大型复杂数据集中识别罕见细胞种群方面表现出高水平.
- 应用到多发性骨髓瘤scRNA-seq数据成功识别了已知的细胞类型和单细胞,T细胞和NK细胞中的新型亚群.
结论:
- 在scRNA-seq数据分析方面,DeepScena提供了显著的进步,特别是在聚类和罕见细胞群体识别方面.
- 该方法能够处理大型数据集和复杂的数据结构,使其成为生物研究中的一个有价值的工具.
- DeepScena提供了一个强大的框架,用于发现细胞异质性,并改进单细胞基因组学下游分析.
