scHNTL:单细胞RNA-seq数据集群,增强了高阶邻居和三位数损失
Hua Meng1, Chuan Qin2,3, Zhiguo Long2,3
1School of Mathematics, Southwest Jiaotong University, Chengdu, Sichuan 611756, China.
Bioinformatics (Oxford, England)
|January 29, 2025
概括
我们介绍了scHNTL,这是一个用于单细胞RNA测序 (scRNA-seq) 数据的新型聚类算法. 它通过考虑不相似的细胞来改善细胞嵌入,增强复杂的生物数据集上的聚类性能.
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) 正在彻底改变生物医学研究.
- 由于稀疏性,高维度和可变的基因表达,聚类scRNA-seq数据具有挑战性.
- 现有的神经网络方法往往忽视不相似性,限制嵌入可分离性和集群精度.
研究的目的:
- 为scRNA-seq数据开发一种新的集群算法,以提高嵌入可分离性.
- 改善对内在数据结构的保护,提高聚类性能.
- 通过结合不相似性信息来解决现有方法的局限性.
主要方法:
- scHNTL 构建一个辅助相似度图,并使用 Graph Attentional Autoencoder 进行初始细胞嵌入.
- 它使用高阶图形结构和具有三重损失的对比学习来识别相似和不相似的细胞.
- 一个自我优化框架将改进的嵌入与集群目标融合在一起.
主要成果:
- scHNTL通过分离不相似的细胞对,显著改善了低维嵌入.
- 对16个数据集的实验评估表明scHNTL的性能优于最先进的scRNA-seq集群算法.
- 该方法有效地保留了复杂的scRNA-seq数据中的结构信息.
结论:
- scHNTL提供了一种优越的方法来聚类scRNA-seq数据,有效地利用高阶邻居和三重损失.
- 该算法增强了数据的分离性,并提高了整体集群精度.
- 这种方法为分析复杂的单细胞数据提供了有价值的工具.
