nsDCC:为scRNA-seq数据分析采用非均采样的双层对比聚类.
Linjie Wang1, Wei Li2,3, Fanghui Zhou1
1School of Computer Science and Engineering, No. 195 Chuangxin Road, Hunnan District, Northeastern University, Shenyang 110819, China.
Briefings in bioinformatics
|September 26, 2024
概括
一种新的双层对比集群方法 (nsDCC) 通过共同优化维度减小和集群来增强单细胞RNA测序 (scRNA-seq) 分析. 它有效地处理不平衡的数据,并改善整体数据理解.
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RNA测序 (scRNA-seq) 分析需要有效的维度缩小和集群.
- 当前的方法往往独立处理这些任务,限制了它们的协同潜力.
- 深度集群方法提供了联合优化,但与预定义的集群中心作斗争.
研究的目的:
- 开发一种用于scRNA-seq数据分析中联合缩小维度和聚类的新方法.
- 利用对比学习来克服现有的深度集群方法的局限性.
- 改进不平衡scRNA-seq数据集的分析.
主要方法:
- 提出了一种采用非均采样 (nsDCC) 的双层对比集群方法.
- 集成的实例级和集群级对比学习,具有多积极学习和单元矩阵约束.
- 包含了用于细胞间信息捕获的注意力机制,以及用于不平衡数据处理的最稀疏密度权重分配.
主要成果:
- nsDCC在真实和模拟的scRNA-seq数据上表现优于六种最先进的方法.
- 在减小维度和聚类方面都表现出卓越的性能,特别是在不平衡的数据集中.
- 通过差异基因表达分析显示出对"脱落事件"的稳定性,并证实了生物意义.
结论:
- nsDCC为scRNA-seq数据分析提供了一种强大而综合的方法.
- 该方法有效地解决了数据不平衡和技术噪声带来的挑战.
- 为理解复杂的单细胞转录组数据提供了一个新的框架.
更多相关视频
06:24Multiplexed Analysis of Retinal Gene Expression and Chromatin Accessibility Using scRNA-Seq and scATAC-Seq
Published on: March 12, 2021
3.5K
04:58Author Spotlight: Investigating the Role of Repetitive DNA Misregulation in Cancer Initiation and Immunotherapy Resistance
Published on: December 13, 2024
2.2K
