相关实验视频
Updated: Jul 9, 2025
10:28
Reusable Single Cell for Iterative Epigenomic Analyses
Published on: February 11, 2022
1.3K
亚图提取和图表表示学习用于单细胞Hi-C赋值和集群
Jiahao Zheng1, Yuedong Yang1, Zhiming Dai1
1School of Computer Science and Engineering, Sun Yat-Sen University, 510006 Guangzhou, China.
Briefings in bioinformatics
|December 1, 2023
概括
单细胞Hi-C (scHi-C) 数据分析得到了HiC-SGL的改进,这是一个新的归算模型. 这种方法通过准确填补缺少的数据和改进细胞聚类来增强3D染色体结构分析.
科学领域:
- 基因组学和生物信息学
- 表观遗传学和染色体生物学
背景情况:
- 单细胞Hi-C (scHi-C) 技术揭示了3D染色体结构的异质性.
- scHi-C数据分析面临着重大挑战,因为大量的缺失值.
研究的目的:
- 为scHi-C数据开发一个先进的归算模型.
- 为了提高单细胞水平的3D染色体结构分析的准确性.
主要方法:
- 介绍了HiC-SGL,一种使用Subgraph提取和图形表示学习的新型归算方法.
- HiC-SGL 结合了学习信息的低维细胞嵌入的能力.
主要成果:
- 与现有方法相比,HiC-SGL显示出更高的归算精度.
- 该模型基于多个评估指标实现了基于多个评估指标的增强细胞聚类性能.
结论:
- HiC-SGL有效地解决了scHi-C中缺少数据的挑战.
- 这种方法为分析单细胞中的3D基因组组织变异性提供了重大进展.
