基于结构对比学习的多层多视图网络,用于scRNA-seq数据集群
Zhenqiu Shu1, Min Xia1, Kaiwen Tan1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Chenggong, 650500, Yunnan, China.
Briefings in bioinformatics
|November 4, 2024
概括
这项研究引入了一种新的多级多视图网络 (scMMN),用于准确的单细胞RNA测序 (scRNA-seq) 数据集群. 该方法通过在多视图数据表示上使用对比学习来增强聚类.
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:
- 聚类对于分析单细胞RNA测序 (scRNA-seq) 数据至关重要,有助于细胞分布研究.
- scRNA-seq数据的高维度和复杂性对准确的,单一视角集群提出了重大挑战.
研究的目的:
- 提出一种新的方法,基于结构一致性对比学习 (scMMN) 的多层多视图网络,用于改进scRNA-seq数据集群.
- 为了解决处理复杂,高维的scRNA-seq数据的现有方法的局限性.
主要方法:
- 使用k-最近邻居 (kNN) 和扩散映射 (DM) 构建浅视图.
- 通过图表生成深度视图,用于表示学习的拉普拉斯波器.
- 采用对比学习,包括组对比损失和结构一致性对比损失,以增强网络歧视.
主要成果:
- 与最先进的方法相比,scMMN方法在八个现实世界scRNA-seq数据集中表现出更高的性能.
- 提出的方法有效地处理了scRNA-seq数据固有的高维度和复杂性.
结论:
- scMMN方法为scRNA-seq数据集群提供了强大的和有效的解决方案.
- 多层次多视角学习和对比学习的整合显著提高了聚类准确性和歧视能力.


