scDAC:深度自适应集群单细胞转录组数据与合自编码器和迪里克莱特过程混合模型.
Sijing An1, Jinhui Shi1, Runyan Liu1
1Center for Computational Biology, Beijing Institute of Basic Medical Sciences, Beijing 100850, China.
Bioinformatics (Oxford, England)
|April 11, 2024
概括
单细胞深度适应集群 (scDAC) 准确地识别单细胞RNA测序数据中的细胞类型. 这种新的方法结合了自动编码器和迪里克莱特过程混合模型,以实现稳健和自适应的集群.
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) 对于理解细胞异质性至关重要.
- 现有的集群方法在大规模scRNA-seq数据集中难以准确,适应性地确定集群数量.
研究的目的:
- 开发一种新的计算模型,用于scRNA-seq数据的自适应聚类.
- 直接从scRNA-seq数据中准确确定细胞类型或亚型的数量.
主要方法:
- 提出了单细胞深度适应集群 (scDAC) 模型.
- 结合自编码器 (AE) 和迪里克莱特过程混合模型 (DPMM) 进行联合优化.
- 在多个scRNA-seq数据集上对15种现有方法进行验证的scDAC.
主要成果:
- scDAC可自适应地识别精确的细胞类型号,性能优于15种广泛使用的聚类方法.
- 在各种scRNA-seq数据集和各种超参数中表现出强大的性能.
- 成功地以高准确度揭示了细胞异质性.
结论:
- scDAC为scRNA-seq数据的自适应集群提供了一个强大而准确的解决方案.
- 该模型能够确定内在的生物集群数量,从而推进单细胞数据分析.
- scDAC为发现细胞类型和亚型提供了有价值的工具.


