scAMZI:基于注意力的深度自编码器,具有零膨胀层,用于聚类scRNA-seq数据
Lin Yuan1,2,3, Zhijie Xu1,2,3, Boyuan Meng1,2,3
1Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences), 3501 Daxue Road, Jinan, 250353, China.
BMC genomics
|April 8, 2025
概括
scAMZI是一种新型深度学习模型,通过整合细胞特征和关系,有效地集群单细胞RNA测序 (scRNA-seq) 数据,同时解决脱学事件. 这种先进的方法优于现有的scRNA-seq分析方法.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 聚类单细胞RNA测序 (scRNA-seq) 数据对于生物发现至关重要.
- 现有的方法往往无法充分利用细胞特征,细胞间关系,并且容易受到数据稀疏性 (丢弃事件) 的影响.
研究的目的:
- 引入scAMZI,这是一个用于增强scRNA-seq数据集群的新型深度学习模型.
- 通过整合细胞特征,细胞间关系和处理学事件来解决当前方法的局限性.
主要方法:
- scAMZI使用一个具有零膨胀 (ZI) 层的注意力自编码器.
- 关键组件包括SimAM (简单的,无参数的注意模块),自动编码器和零膨胀负二项式 (ZINB) 模型.
- 该模型减少了维度,学习了细胞表示和关系,并特别处理scRNA-seq数据中固有的零值.
主要成果:
- 在14个不同的scRNA-seq数据集上,scAMZI与其他9种方法进行了评估.
- 该模型在不同大小的数据集中表现出卓越的性能.
- 实验结果证实scAMZI在聚类scRNA-seq数据中的有效性.
结论:
- 在scRNA-seq数据聚类方面,scAMZI超越了现有的方法.
- 该模型促进了下游分析,包括细胞注释,标记基因发现和轨迹推断.
- 该scAMZI包是公开可用于研究使用.
