整合特征选择与无监督的深层嵌入,用于集群单细胞RNA-seq数据
Cheng Zhong1, Siqi Jiang1, Zhi Wei1
1Department of Computer Science, New Jersey Institute of Technology, 323 Dr Martin Luther King Jr Blvd, Newark, NJ 07102, United States.
Briefings in bioinformatics
|March 2, 2026
概括
本研究介绍了FSSC,这是一种用于单细胞RNA测序 (scRNA-seq) 分析中联合特征选择和聚类的新框架. 通过同时选择信息基因和聚类数据,FSSC改善了细胞群体的识别.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 提供了高分辨率的基因表达数据.
- 聚类对于在scRNA-seq数据中识别不同的细胞群是必不可少的.
- 目前的方法经常单独进行基因选择,可能缺少关键的聚类信息.
研究的目的:
- 开发一个统一的框架,用于scRNA-seq分析中的联合特征选择和聚类.
- 为了解决scRNA-seq数据分析中单独的预处理步骤的局限性.
- 提高细胞聚类的准确性和生物相关性.
主要方法:
- 拟议的FSSC (用于scRNA-seq集群的特征选择) 框架.
- 集成了一个零膨胀负二项式 (ZINB) 自动编码器.
- 采用集团拉索惩罚和专门的集群损失来进行联合优化.
主要成果:
- FSSC同时学习低维表示和选择集群歧视基因.
- 该框架保留了scRNA-seq数据的统计特征和集群结构.
- 在模拟和真实数据集上始终超过了最先进的方法.
结论:
- FSSC为增强的scRNA-seq集群提供了一种统一的方法.
- 该方法有效地识别出具有生物意义的标记基因.
- 与现有方法相比,实现了更高的聚类精度.
