scMAG:通过多阶段的深度融合与多元组意识门集成单细胞多omics数据

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:

• 单细胞奥米克技术允许同时对多种基因组模式进行分析.
• 整合多学科数据需要计算框架来平衡跨模式关联和生物忠实性.
• 一个关键的挑战是协调omics层对齐与模式特定的分布保护.

研究的目的:

• 提出一种创新的深度融合方法,用于单细胞多omics数据集成.
• 开发scMAG算法,以提高聚类精度和数据可视化.
• 为了实现多omics隐藏空间的自适应对齐,并优化数据分布,抑制噪声.

主要方法:

• 一个多阶段的功能深度聚变正式化方法.
• 奥米克斯多核多重组的保存策略.
• 为适应性对齐和分布优化提供指导式门户优化策略.

主要成果:

• 与使用scRNA-seq,scATAT-seq和ADT数据集的基准算法相比,scMAG在聚类和数据可视化方面表现出卓越的性能.
• 该算法有效地平衡了跨多omics数据的共享和模式特定信号.
• 在数据空间中增强的功能分布有助于提高性能.

结论:

• scMAG在聚类,缩小维度,删除批量效应和多式联络数据集成方面提供了显著的改进.
• 该算法具有良好的生物解释性,为多式单细胞数据分析提供理论支持.
• scMAG有效地抑制生物噪声和单细胞多组数据中的测量错误.