scMNMF:一种基于矩阵因子化的单细胞多omics聚类的新方法

科学领域:

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

背景情况:

• 单细胞多组数据分析提供了全面的细胞洞察力,但由于高维度和稀疏性,在聚类方面面临挑战.
• 现有的分析算法往往在复杂的单细胞多组数据集中表现出低于最佳的集群性能.

研究的目的:

• 引入scMNMF,一种新的非负矩阵因子算法,用于单细胞多组数据的联合维度减小和细胞聚类.
• 通过利用代特征选择和维度减少来增强细胞类型的发现.

主要方法:

• 开发了scMNMF,一种采用非负矩阵因子化的算法,用于联合维度减小和细胞聚类.
• 用通过交替代算法衍生出的代公式,将目标函数构成一个受约束的优化问题.
• 实施了一种方法,在该方法中,特征选择以减少维度和细胞聚类相互影响.

主要成果:

• scMNMF有效地探索不同omics数据中隐藏的相关特征.
• 特征选择和聚类之间的代相互影响导致更有效的细胞类型发现.
• 在两个模拟和五个真实数据集上进行验证,scMNMF与其他七个最先进的算法相比表现出卓越的性能.

结论:

• scMNMF提供了一个强大的框架来分析单细胞多omics数据,克服集群性能方面的局限性.
• 该算法的整合缩小维度和聚类的能力提供了改进的细胞类型识别.
• scMNMF代表了用于单细胞多omics研究的计算工具的重大进步.