scIMGCN:一种基于可解释图形卷积网络的自动单单元格类型注释方法
Binhua Tang1,2,3, Guowei Cheng4, Xinyu Gao4
1Key Laboratory of Maritime Intelligent Cyberspace Technology (Ministry of Education of China), Hohai University, Nanjing, 213200, China. bh.tang@hhu.edu.cn.
Interdisciplinary sciences, computational life sciences
|July 19, 2025
概括
scIMGCN通过使用网络增强和变压器模块改进图形卷积网络 (GCNs) 来提高单细胞RNA测序 (scRNA-seq) 数据中细胞类型注释的准确性. 这种方法为复杂的生物数据集提供了更好的解释性和可扩展性.
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:
- 单细胞RNA测序 (scRNA-seq) 能够详细研究细胞异质性.
- 从大型scRNA-seq数据集中准确地注释细胞类型仍然是一个重大挑战.
- 图形卷积网络 (GCNs) 是有前途的,但其解释性有限.
研究的目的:
- 开发一种创新的方法,scIMGCN,用于scRNA-seq数据中的自动化和可解释的细胞类型注释.
- 解决传统GCN在处理复杂单细胞数据结构和可解释性方面的局限性.
主要方法:
- scIMGCN集成了网络增强功能,用于增强图形结构表示.
- 一个增强的变压器模块动态模拟全球关系,减轻远程依赖和噪音.
- 一个基于科尔摩戈罗夫-阿诺德网络 (KAN) 的GCN变体改善了特征表示和非线性.
- 一个可解释性掩盖机制提高了决策的透明度.
主要成果:
- 在10个真实数据集中,scIMGCN实现了94.8%至100%的注释准确度.
- 该方法通过其独特的组件显示了4.7%,7.1%和5.6%的精度改进.
- scIMGCN的性能比传统方法高出15%以上,而基于最先进的图形的方法则高出4.8%.
结论:
- scIMGCN显著提高了scRNA-seq数据的细胞类型注释准确性和可扩展性.
- 该方法有效地建模了复杂的细胞间关系,并提高了模型的解释性.
- scIMGCN为自动细胞类型分类提供了强大的和可通用的解决方案.
