scGHSOM:单细胞数据集群和可视化等级框架

科学领域:

• 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.
• 数据科学是数据科学.

背景情况:

• 高维单细胞数据表现出复杂性和异质性,挑战生物模式的发现.
• 现有的方法很难有效地聚集和可视化复杂的细胞状态.

研究的目的:

• 引入 scGHSOM,一个增强的增长层次自我组织地图 (GHSOM) 框架.
• 为了实现强大的等级聚类和高维单细胞数据集的可视化.
• 开发新的算法来识别重要的生物属性并提高数据的可解释性.

主要方法:

• scGHSOM采用分层数据组织,基于变化值的适应性集群扩展.
• 集成了一个显著属性识别算法,以确定最小化集群内变化和最大化集群间变化的特征.
• 两个可视化工具,集群特征地图和集群分布地图,被引入用于增强可解释性.

主要成果:

• scGHSOM在绩效评估中证明了与最先进的方法的兼容性.
• 该框架在3个飞行时间 (CyTOF) 数据集中的2个中获得了最佳的Calinski-Harabasz (CH) 指数.
• 可视化工具显著提高了解释聚类模式和生物特征的清晰度和效率.

结论:

• scGHSOM提供了一个有效的解决方案,用于对复杂的单细胞数据进行层次聚类和可视化.
• 集成的属性识别和可视化工具增强了生物洞察力发现.
• scGHSOM为科学界提供了一个有价值的,免费可用的资源.