基于注意力的深度聚类方法用于scRNA-seq细胞类型识别
Shenghao Li1, Hui Guo1, Simai Zhang2
1College of Chemistry, Sichuan University, Chengdu, Sichuan, China.
PLoS computational biology
|November 10, 2023
概括
一种新的深度学习方法AttentionAE-sc通过融合两个策略,准确地集群单细胞RNA测序 (scRNA-seq) 数据. 它克服了稀疏性和高维度的挑战,揭示了细胞异质性,而没有预先指定组号.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 提供了对细胞异质性的高分辨率见解.
- 分析scRNA-seq数据依赖于准确的亚种群分配,通常使用无监督的集群.
- 传统的集群方法在scRNA-seq数据的稀疏性和高维度方面扎.
研究的目的:
- 为scRNA-seq数据开发一种基于深度学习的新聚类方法.
- 解决现有方法在处理数据稀疏性和维度方面的局限性.
- 为了提高scRNA-seq数据集群的准确性,稳定性和稳定性.
主要方法:
- 建议AttentionAE-sc,通过注意力机制集成零膨胀负二项式 (ZINB) 和图形自编码器 (GAE) 方法.
- 在细胞表示学习中使用了denoising和拓嵌入的代融合.
- 评估了16个不同的scRNA-seq数据集的性能,与最先进的方法对比.
主要成果:
- 注意AE-sc在16个数据集中展示了优越的集群性能,而不需要预定义的组号.
- 该方法产生了改进的,集群友好的细胞表征,增强了稳定性和稳定性.
- 在乳腺癌scRNA-seq图谱中取得了显著的细胞亚型识别,提供了宝贵的生物学见解.
结论:
- 注意AE-sc为scRNA-seq数据分析和细胞亚群识别提供了一个强大而通用的工具.
- 基于注意力的融合方法有效地应对数据挑战,从而实现更可靠的集群.
- 这种方法促进了对复杂生物系统中细胞异质性的理解.
