图形嵌入式深度生成集群用于单细胞多组数据集成的数据集成
IEEE transactions on pattern analysis and machine intelligence
|February 24, 2026
概括
我们开发了一种新的嵌入图形的深度生成集群 (GeDGC) 模型,用于整合单细胞多omics数据. GeDGC有效地捕获了跨原子相关性,并保存了细胞结构,优于现有的方法.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞多组技术产生了大量的生物发现数据集.
- 在单细胞层面整合多样化的omics数据是具有挑战性的,因为数据异质性.
- 当前的方法往往无法有效利用细胞图结构.
研究的目的:
- 为有效的单细胞多omics数据集成开发一种新型模型.
- 为了应对不同类型的omics中高度异质性的挑战.
- 为了提高多omics数据分析的性能和实际实用性.
主要方法:
- 提出了一个嵌入图形的深度生成集群 (GeDGC) 模型.
- 同时学习使用高斯混合模型共享的潜在表示和集群因子.
- 嵌入式图形嵌入了隐藏表示和集群赋值的约束,以保留本地数据结构.
主要成果:
- GeDGC有效地捕捉了跨多个omics的复杂相关性.
- 该模型为下游任务生成信息化的共享潜伏嵌入.
- 十个数据集的实验结果表明GeDGC在17种竞争方法中的优势.
结论:
- GeDGC为单细胞多omics数据集成提供了一种卓越的方法.
- 该模型能够保存内在细胞结构,从而增强了数据分析的能力.
- 这种方法在生物发现和医学研究中推进了多omics数据的实用性.
