半监督的对比学习变异自编码器 集成单细胞多模式马赛克数据集
Zihao Wang1, Zeyu Wu2, Minghua Deng3,2,4,5
1Biomedical Interdisciplinary Research Center, Peking University, Yiheyuan Road, Beijing, 100871, China. 2201112026@pku.edu.cn.
BMC bioinformatics
|August 4, 2025
概括
科学家们开发了scGCM,这是一个使用变量自编码器的灵活框架,用于整合多模式单细胞omics数据. 这种方法有效地处理缺失的数据和批量效应,提高数据分析的准确性和一致性.
科学领域:
- 一个单细胞的奥米克.
- 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.
背景情况:
- 单细胞测序产生复杂的数据,需要多模式的方法.
- 缺少模式的马赛克数据集在单细胞分析中很常见.
- 高维度,稀疏性和批量效应挑战了数据集成.
研究的目的:
- 开发一个灵活的框架来整合多模式单细胞马赛克数据.
- 为了应对高维度,稀疏性和批量效应的挑战.
- 在单细胞数据集成中提高聚类准确性和数据一致性.
主要方法:
- 开发了scGCM,这是一个基于变量自动编码器的灵活集成框架.
- 将scGCM应用于具有多种单细胞数据模式的多个数据集.
- 根据最先进的多式联运数据集成方法对scGCM进行评估.
主要成果:
- scGCM有效地集成多模式单细胞马赛克数据.
- 该框架成功地消除了批量效应.
- 与现有方法相比,在聚类准确性和数据一致性方面表现出显著的优势.
结论:
- scGCM为多模式单细胞数据集成提供了强大的解决方案.
- 该方法增强了复杂生物系统的分析.
- 源代码可用于更广泛的采用和进一步研究.
