在scRNA-Seq数据中用于单细胞聚类的图形规范非负矩阵因数分解
IEEE journal of biomedical and health informatics
|May 24, 2024
概括
本研究介绍了Sc-GNNMF,这是一种用于单细胞RNA测序 (scRNA-seq) 数据分析的无监督学习框架. 它通过使用图形调节的非负矩阵因子化优化数据来改善细胞聚类和标记基因提取.
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) 为细胞异质性提供了新的见解.
- 技术噪音,如丢失值,使scRNA-seq数据的解释变得复杂.
- 准确的单细胞分析对于理解生物机制至关重要.
研究的目的:
- 开发一个无监督学习框架,用于强大的scRNA-seq数据分析.
- 解决scRNA-seq数据解释方面的挑战,包括噪音和异质性.
- 增强细胞聚类和scRNA-seq数据的生物学解释.
主要方法:
- 提出了Sc-GNNMF,这是一个无监督的框架,利用图形规范的非负矩阵因子分解 (GNNMF).
- 估计细胞-细胞和基因-基因稀疏相似性使用拉普拉斯基核和p-近邻图 (p-NNG).
- 使用加权的p-最近已知的邻居 (p-NKN) 来优化scRNA-seq数据,以改善矩阵分解.
主要成果:
- 在11个真实scRNA-seq数据集中,sc-GNNMF表现出卓越的性能.
- 与现有方法相比,该方法显示了增强的兼容性和稳定性.
- 在细胞聚类,基因标记物提取和伪时间分析方面取得了出色的结果.
结论:
- Sc-GNNMF为scRNA-seq数据分析提供了一个有效的无监督学习框架.
- 该方法提高了细胞类型识别和生物解释的准确性.
- Sc-GNNMF是一个强大的和兼容的工具,用于各种scRNA-seq数据集.


