scGImpute:一种混合双层多头图的基于注意力的归算框架,用于单细胞测序数据集的零失效

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 分子生物学分子生物学

背景情况:

• 单细胞测序 (SCS) 对于在各种生物体中进行多组体分析至关重要.
• 在SCS方面的进步有助于在分子水平上诊断和治疗疾病.
• 技术噪声,特别是零计数 (dropout),严重阻碍了SCS数据的实用性.

研究的目的:

• 为了解决SCS数据中的高频零计数.
• 开发一个新的对OMICS SCS数据集的归算方法.
• 为了保持生物零,同时恢复技术零.

主要方法:

• 提出了一种混合的两层多头图基于注意力的神经网络框架 (scGImpute).
• 设计的scGImpute对于scRNA-seq,scATAC-seq和CITE-seq数据都是通用的.
• 使用根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 评估性能.

主要成果:

• scGImpute在原始与归算的scRNA-seq数据中获得了最低的RMSE (0.0039) 和MAE (0.0032).
• 在地面真相与归算scRNA-seq数据 (RMSE:0.3301,MAE:0.2924) 上表现出卓越的性能.
• 在评估中表现优于现有的归算技术和其他拟议的方法.

结论:

• scGImpute有效地减少了SCS数据集中的技术噪声.
• 该方法增强了生物发现的下游分析.
• 提供了一个强大的解决方案,用于跨多个omics类型的零赋值.