scMDCL:一个深度协作对比学习框架,用于匹配的单细胞多态数据集群
Wenhao Wu1, Shudong Wang1, Kuijie Zhang1
1Qingdao Institute of Software, College of Computer Science and Technology, State Key Laboratory of Chemical Safety, Shandong Key Laboratory of Intelligent Oil & Gas Industrial Software, China University of Petroleum (East China), Qingdao 266580, China.
这项研究介绍了scMDCL,这是一个用于单细胞多组学集群的新型深度学习框架. 它通过更好地利用细胞关系和交叉体质特征相互作用来改善细胞异质性分析.
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:
- 单细胞多组学集群对于理解细胞异质性和疾病机制至关重要.
- 当前的方法往往无法充分利用细胞间的关系,并且交叉omics具有协同作用,限制了集群性能.
研究的目的:
- 开发一个深度协作对比学习框架 (scMDCL) 来增强匹配的单细胞多组数据集群.
- 通过利用细胞间关系和细胞间特征交互来改善多组数据的集成.
主要方法:
- 提出了一个深度协作对比学习框架 (scMDCL).
- 整合了图形自编码器和功能增强模块,以提取和增强不同omics的细胞功能.
- 利用对比式学习来加强来自同一细胞的特征之间的相互作用,跨不同的奥米克.
- 采用多经济学深度协作集群模块进行最终的集群.
主要成果:
- scMDCL框架有效地利用了细胞间的关系,并增强了跨OMIC的功能交互.
- 在集群任务中集成多态数据方面表现出卓越的性能.
- 在9个公开可用的单细胞多组数据集上取得了最先进的结果.
结论:
- scMDCL为单细胞多组数据集群提供了一种强大的方法.
- 该框架通过最大限度地提高多组学数据的实用性,显著改善了细胞异质性的分析.
- 突出了深度协作对比学习在推进多态数据集成和解释方面的潜力.
更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
06:01Visualization and Quantification of High-Dimensional Cytometry Data using Cytofast and the Upstream Clustering Methods FlowSOM and Cytosplore
Published on: December 12, 2019
相关概念视频
Comparing Mitochondrial, Chloroplast, and Prokaryotic Genomes
RNA-seq
Before the discovery of RNA-seq, microarray-based methods and Sanger sequencing were used for transcriptome analysis. However, while...
Multi-species Conserved Sequences
Although the genome of each species varies greatly from each other, a few sequences are highly conserved. Such conserved...
Cell Diversity
Multicellular...
Evolutionary Relationships through Genome Comparisons
DNA Microarrays
