自主监督的图形表示学习为单细胞分类

科学领域:

• 计算生物学是一种计算生物学.
• 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:

• 从单细胞RNA测序 (scRNA-seq) 数据中准确识别细胞类型对于生物研究至关重要.
• 传统方法耗时,需要先进的计算方法.
• 现有的计算方法难以充分利用未标记的scRNA-seq数据,限制了分类准确性和通用性.

研究的目的:

• 提出一种新的自主监督图表表示学习框架,scSSGC,用于增强单细胞分类.
• 为了应对scRNA-seq分析中有限的标记数据的挑战.
• 改进基因表达信息的利用,以进行强大的细胞识别.

主要方法:

• 开发了scSSGC,一个自我监督的图表表示学习框架.
• 用多个K-means对未标记的数据进行任务集群,用于模型预训练.
• 引入了局部增强的图形神经网络,以捕捉细胞相互作用并增强信息聚合.

主要成果:

• 在基准实验中,scSSGC与现有的最先进的细胞分类方法相比,表现优越.
• 该框架在交叉数据集评估方面取得了稳定的表现,表明具有强大的概括能力.
• 实现了对未标记的基因表达数据的有效利用,缓解了稀疏标记数据集的局限性.

结论:

• scSSGC为准确和可概括的单细胞分类提供了一种强大的新方法.
• 自主监督学习策略有效地克服了scRNA-seq分析中的数据限制.
• 该框架推进了用于理解细胞分化和疾病机制的计算方法.