scSAMAC:以突出度调整的掩饰诱导了单细胞集群的注意力对比学习

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:

• 单细胞测序揭示了细胞异质性,但集群挑战来自高维度,稀疏性和数据丢失.
• 现有的深度学习方法往往忽略了双向细胞距离,或未能有效地捕捉特征相关性.
• 这些局限性阻碍了高保真度聚类和下游分析的精确细胞类型识别.

研究的目的:

• 开发一种先进的深度学习方法,用于强大而准确的单细胞数据集群.
• 解决当前处理高维度,稀疏单细胞数据的方法的局限性.
• 改进细胞特征的提取,并增强聚类算法的概括能力.

主要方法:

• scSAMAC方法将对比学习和负二项式损失集成到一个变量自编码器框架中.
• 使用具有基因特征突出度调整和负样本生成的面具模块,用于强大的特征提取和缺失数据的模拟.
• 使用了一种新的复合损失函数 (软k-means,瓦瑟斯坦距离,对比损失) 和一个多头注意力机制.

主要成果:

• scSAMAC通过对比的单元相似性有效提取特征,保持细胞内在特征.
• 该方法在聚类任务中展示了增强的稳定性和概括性.
• 实验结果显示scSAMAC的性能优于几种最先进的单细胞聚类方法.

结论:

• scSAMAC通过有效利用对距离和特征相关性,在单细胞数据聚类方面取得了重大进展.
• 对比学习和新浪损失函数的集成提高了集群性能和稳定性.
• 这种方法有助于更准确地识别细胞类型,这对于下游生物研究至关重要.