scGGC:通过细胞基因路径构建单细胞聚类的两阶段策略
Zhi Zhang1, Qiucheng Sun1, Chunyan Wang1
1College of Computer Science and Technology, Changchun Normal University, Changchun 130032, China.
Briefings in bioinformatics
|July 23, 2025
概括
一个新的单细胞集群模型scGGC通过集成图形自编码器和生成对抗网络来提高准确性. 这种方法增强了单细胞RNA测序数据中的细胞类型识别和标记基因发现.
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) 数据分析由于高维度,噪声和稀疏性而面临挑战.
- 传统的聚类方法往往忽略了全球细胞基因相互作用,限制了准确性.
- 先进的集群算法对于释放scRNA-seq数据的潜力至关重要.
研究的目的:
- 开发一种新的单细胞聚类模型,scGGC,解决现有方法的局限性.
- 提高scRNA-seq数据中聚类的准确性和生物相关性.
- 为了提高细胞类型特定标记基因的识别.
主要方法:
- scGGC集成了图形自编码器和生成对抗网络,用于单细胞集群.
- 一个相邻矩阵捕捉了细胞-细胞和细胞-基因关系,用于图形结构的构建.
- 非线性维度缩小和初始集群通过图形自编码器进行,然后进行对抗训练以提高性能.
主要成果:
- 与八种现有方法相比,scGGC在9个scRNA-seq数据集中表现出卓越的性能.
- 调整后的兰德指数在像MHC3K.这样的数据集上平均提高了10.1%.
- 标记基因鉴定和细胞类型注释显示出生物相关性,重叠率超过70%.
结论:
- scGGC显著提高了单细胞数据聚类的准确性.
- 该模型增强了生物学相关的细胞类型特定标记基因的发现.
- scGGC提供了一个强大的方法来分析复杂的scRNA-seq数据.
