PLNMFG:伪标签指导的非负矩阵因子化模型,用于单细胞多组数据集群的图形约束

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 单细胞多基因组测序允许同时分析单细胞内的多种分子数据.
• 精确的细胞聚类对于解释复杂的生物功能从多omics数据至关重要.
• 现有的整合方法很难将先前的生物知识纳入并有效地捕捉跨原子相互作用.

研究的目的:

• 开发一种新的计算模型,PLNMFG,用于对单细胞多组数据进行强大而准确的集群.
• 通过整合先前的生物学知识和统一的潜在表示学习来解决当前方法的局限性.
• 改善在多主题数据集中的互补信息和跨平台交互的捕获.

主要方法:

• 开发了PLNMFG,一种非负矩阵因子化模型,结合了潜在表示和集群结构学习.
• 实现了适应性归算来处理数据丢失,并使用先前的伪标签作为约束.
• 纳入图形拉普拉斯约束,以保存多omics数据结构和自适应学习的omic权重.

主要成果:

• 与现有方法相比,PLNMFG在8个基准数据集中实现了更高的集群精度.
• 该模型证明了处理单细胞多omics数据的计算效率.
• PLNMFG成功地保存了双重相似性信息,并捕获了内在数据结构.

结论:

• PLNMFG为单细胞多omics数据集成和集群提供了一个强大的框架.
• 该模型能够结合先前的知识并捕捉跨原子关系的能力增强了生物洞察力.
• PLNMFG在分析复杂的单细胞多组数据方面取得了重大进展.