用低级矩阵因子化和局部图规则化集群单细胞RNA-Seq数据

科学领域:

• 基因组学
• 生物信息学
• 计算生物学

背景情况:

• 单细胞RNA测序 (scRNA-seq) 可以研究细胞异质性.
• 准确的细胞类型识别对于scRNA-seq数据分析至关重要.
• 现有的低级别表示 (LRR) 集群方法与scRNA-seq数据的高维度,稀疏性和噪音相斗争.

研究的目的:

• 从scRNA-seq数据开发一个新的聚类算法,以准确和强大的细胞类型识别.
• 解决基于LRR的现有方法在噪音和异常值中捕获真正的生物模式的局限性.
• 改进scRNA-seq研究中的下游分析.

主要方法:

• 引入了一种新的集群算法:用局部图形规范化 (LRMGC) 进行低等级矩阵分解.
• 用于表示矩阵的三分解策略,并将Schatten p-norm应用于核心矩阵,以实现强大的相似性学习.
• 集成的局部分流规范化和角度对齐,以提高集群性能.

主要成果:

• 与scRNA-seq数据集上的先进方法相比,LRMGC的性能和可靠性都更高.
• 算法有效地发现了细胞类型组成,即使存在噪音和异常值.
• 下游分析,包括标记基因识别和罕见细胞识别,证实了LRMGC的有效性.

结论:

• 在scRNA-seq数据中,LRMGC提供了准确且可靠的细胞类型识别方法.
• 这种方法有效地保护了底层子空间结构,同时减轻了噪音.
• 使用scRNA-seq数据的LRMGC提高了下游生物研究的可靠性.