使用异构图神经网络的scRNA-seq数据的结构保存集成.
Xun Zhang1, Kun Qian1, Hongwei Li1
1School of Mathematics and Physics, China University of Geosciences, Wuhan 430074, China.
Briefings in bioinformatics
|October 24, 2024
概括
我们开发了scHetG,这是整合单细胞RNA测序数据的新方法. 这种方法保留了细胞和基因之间的关键结构信息,改善了多个批次的细胞状态特征.
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) 能够进行详细的细胞状态分析.
- 整合来自多个批次的数据对于综合性研究至关重要.
- 现有的方法往往忽略了细胞和基因之间的结构关系.
研究的目的:
- 为scRNA-seq数据集成提出一个结构保存的方法.
- 解决无视细胞和遗传结构信息的现有方法的局限性.
- 通过保存生物结构来增强细胞状态的表征.
主要方法:
- 开发了一个异质图神经网络 (scHetG) 方法.
- 构建了一个代表细胞和基因之间跨批次相互作用的异质图.
- 与异质图神经网络集成的对比学习.
主要成果:
- scHetG有效地消除了scRNA-seq数据中的批量效应.
- 该方法在集成过程中保留了细胞和基因的结构信息.
- 识别了特定批次的细胞类型和特定细胞类型的基因共同表达模式.
- 在各种物种,组织和数据尺度上证明了有效性.
结论:
- scHetG为scRNA-seq数据集成提供了有效的解决方案.
- 保存结构信息是准确细胞状态表征的关键.
- 该方法推进了使用多批次scRNA-seq数据分析复杂的生物系统.
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
10:44Low-input Nucleus Isolation and Multiplexing with Barcoded Antibodies of Mouse Sympathetic Ganglia for Single-nucleus RNA Sequencing
Published on: March 23, 2022
4.1K
