软图集群用于单细胞RNA测序数据
Ping Xu1,2, Pengfei Wang1,2, Zhiyuan Ning1,2
1Computer Network Information Center, Chinese Academy of Sciences, Beijing, 100083, China.
BMC bioinformatics
|July 27, 2025
概括
scSGC引入了用于单细胞RNA测序 (scRNA-seq) 分析的软图集群,通过使用连续相似性而不是刚性图结构来改善细胞群体识别. 这种方法提高了理解细胞异质性的准确性和效率.
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:
- 聚类对于单细胞RNA测序 (scRNA-seq) 来揭示细胞多样性至关重要.
- 图形神经网络 (GNN) 改进了scRNA-seq集群,但与丢失信息和引入错误的硬图形构造作斗争.
- 硬图简化了细胞关系,丢失了连续的相似性数据,并导致了GNN的问题.
研究的目的:
- 为scRNA-seq数据开发一种新的软图集群方法 (scSGC).
- 克服现有的基于GNN的集群方法中的硬图形构造的局限性.
- 改进连续细胞间相似性的表征,提高聚类精度.
主要方法:
- scSGC使用基于零膨胀负二项式 (ZINB) 的特征自编码器来处理scRNA-seq数据稀疏性和丢失.
- 一个双通道切割信息软图嵌入模块捕获连续细胞相似性,并保留数据结构.
- 一个最佳的基于运输的聚类优化模块确保了生物相关的细胞群体划分.
主要成果:
- scSGC有效地使用非二进制边缘权重来表征细胞之间的连续相似性.
- 该方法可以减轻信息丢失和错误消息传播,这在硬图形方法中很常见.
- 实验表明,scSGC在10个数据集的聚类准确性和效率方面超过了13个最先进的模型.
结论:
- scSGC集成了先进的技术,以克服scRNA-seq.在GNN中的硬图形构造挑战.
- 该方法在聚类准确性,细胞类型注释和计算效率方面表现出卓越的性能.
- scSGC对于推进scRNA-seq数据分析和理解细胞异质性具有重大潜力.
