将scRNA-seq数据与交叉视图协作信息融合战略进行聚类
Zhengzheng Lou1, Xiaojiao Wei1, Yuanhao Hu1
1School of Computer and Artificial Intelligence, Zhengzhou University, Zhengzhou 450000, China.
Briefings in bioinformatics
|October 14, 2024
概括
一个新的算法scCFIB通过改进细胞聚类来增强单细胞RNA测序 (scRNA-seq) 数据分析. 它使用信息瓶方法高效地处理高维,稀疏的数据,以获得强大的生物洞察力.
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) 提供高通量,细胞分辨率的基因表达数据.
- 细胞聚类对于scRNA-seq数据分析至关重要,但由于数据稀疏性和高维度性而受到挑战.
- 整合基因表达与细胞结构数据用于聚类是一个尚未探索的领域.
研究的目的:
- 开发一种新的算法,scCFIB,用于在scRNA-seq数据中进行强大的细胞聚类.
- 为了利用信息瓶 (IB) 原则,有效处理高维,稀疏的scRNA-seq数据.
- 整合多视图功能,包括基因表达和潜在的细胞结构,以改善聚类.
主要方法:
- scCFIB采用基于信息瓶 (IB) 的方法进行集群.
- 使用交叉视图融合策略,从原始数据中创建两个不同的特征空间.
- 该算法将细胞聚类作为IB框架内的目标损失函数,并进行顺序优化.
主要成果:
- scCFIB在各种scRNA-seq数据集上的细胞聚类任务中表现出卓越的性能.
- 该算法有效地应对高维和稀疏scRNA-seq数据的挑战.
- 基准测试证实了scCFIB与现有方法相比的稳定性.
结论:
- scCFIB为scRNA-seq数据分析中的细胞聚类提供了一种强大而高效的解决方案.
- 基于IB的方法和交叉视图的融合策略提高了聚类的准确性和稳定性.
- 开发的算法推进了复杂的单细胞基因组学数据的分析.
更多相关视频
11:52Targeted RNA Sequencing Assay to Characterize Gene Expression and Genomic Alterations
Published on: August 4, 2016
10.3K
06:01Visualization and Quantification of High-Dimensional Cytometry Data using Cytofast and the Upstream Clustering Methods FlowSOM and Cytosplore
Published on: December 12, 2019
8.4K
