scAGCI:一种基于图的方法,用于从集成的scRNA-seq和scATAC-seq数据中进行细胞聚类
Yao Dong1,2,3, Jiaxue Zhang1, Jin Shi1
1School of Artificial Intelligence, Hebei University of Technology, No. 5340, Xiping Road, Beichen District, Tianjin 300401, China.
Briefings in bioinformatics
|July 7, 2025
概括
scAGCI通过整合scRNA-seq和scATAC-seq数据来增强单细胞多omics集群. 这种新的图方法可以改善细胞类型的识别,更有效地捕捉复杂的生物模式.
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:
- 单细胞多组组集群面临数据噪声和异质性带来的挑战.
- 现有的图方法很难有效地建模更高阶的特征相互作用.
研究的目的:
- 开发一种新的细胞聚类方法,scAGCI,它集成了单细胞RNA测序 (scRNA-seq) 和单细胞转移酶可访问染色体测序 (scATAC-seq) 数据的测试.
- 解决当前多视图图方法中对高阶特征相互作用建模的局限性.
主要方法:
- 在动态统一过程中,scAGCI使用特定和共享的图来表示omics数据属性.
- 该方法挖掘高级共享信息,以增强omics的代表性.
- 集群是通过整合这些特定和共享的omics表示实现的.
主要成果:
- 与13种最先进的方法相比,scAGCI表现出优越的集群性能和计算效率.
- 该方法在细胞类型识别和亚型分辨率方面表现出色.
- 基准测试证实了通过标记基因丰富和功能分析来保存生物学上有意义的奥米克模式.
结论:
- scAGCI是一个强大的工具,用于阐明单细胞多组数据中的细胞异质性.
- 该方法有效地整合了scRNA-seq和scATAC-seq数据,克服了以前方法的局限性.
