深度学习驱动的单细胞集群框架具有更高的准确性和稳定性

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) 对于理解细胞多样性至关重要.
• 无监督的集群识别细胞类型,但基于图的方法往往忽视节点分布,并遭受过度平滑.
• 现有的方法难以准确和可扩展的细胞群体表示.

研究的目的:

• 引入scG-cluster,一种用于scRNA-seq数据的新型深度结构聚类方法.
• 解决现有的基于图形的集群的局限性,包括节点分布疏忽和过度平滑.
• 提高scRNA-seq分析中细胞类型识别的准确性和可扩展性.

主要方法:

• 开发了scG集群,具有双拓邻近图,以结合节点分布.
• 采用双拓自适应图形卷积网络 (TAGCN) 具有注意力和剩余连接.
• 实施集群中心的代改进,以提高稳定性.

主要成果:

• scG-cluster在六个不同的scRNA-seq数据集中展示了卓越的集群准确性和可扩展性.
• 废除研究证实了注意力机制和残留连接的有效性.
• 该方法始终超过了最先进的集群方法.

结论:

• scG-cluster为scRNA-seq数据中的无监督聚类提供了强大的和有效的解决方案.
• 双拓图形和TAGCN架构显著改善了细胞群体的表示和分化.
• 拟议的方法推进了单细胞数据分析领域,提供了更准确和可扩展的细胞类型识别.