加拉:整合加权图路径和隐性空间对抗训练,用于单细胞批量对齐

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RNA测序 (scRNA-seq) 显示了细胞异质性,但受到批量效应的影响.
• 在scRNA-seq数据集中的技术变化阻碍了准确的数据集成和分析.

研究的目的:

• 引入基于图的对抗潜伏对齐 (GALA),这是一个用于scRNA-seq数据中强大的批次校正的新框架.
• 为了调整scRNA-seq数据集,同时保持重要的生物信号.

主要方法:

• GALA将加权图形随机走路与潜在空间对抗训练相结合.
• 一个权重图互近邻 (WGMNN) 模块增强了跨批次细胞配对.
• 在低维的潜空间中进行对抗训练会产生批量不可知的表示.

主要成果:

• 在五个不同的基准数据集中,GALA在批次校正方面表现出卓越的表现,获得了高的F1分数.
• 该WGMNN模块提高了多达125%的细胞配对多样性和48%的覆盖率.
• 特别是在复杂的数据集中,GALA的表现优于Seurat v4,Harmony和Scanorama等既有方法.

结论:

• 对于scRNA-seq数据集成,GALA提供了一个强大的,计算效率高的解决方案.
• 该框架有效地消除了技术工件,同时保持了生物变异性.
• 在各种scRNA-seq集成场景中,GALA显示出一致的优越性和稳定性.