scSCCNIA:基于相似性矩阵的对比集群与邻近信息聚合,用于单细胞RNA测序数据
Jing Wang1, Junfeng Xia2, Yansen Su3
1Anhui Provincial Key Laboratory of Multimodal Cognitive Computation, School of Artificial Intelligence, Anhui University, 111 Jiulong Road, Hefei, Anhui 230601, China.
Briefings in bioinformatics
|March 5, 2026
概括
我们开发了scSCCNIA,这是一种用于单细胞RNA测序 (scRNA-seq) 数据分析的新框架. 这种方法可以准确地识别细胞群和标记基因,改善我们对细胞异质性的理解.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 揭示了细胞异质性和基因表达.
- 细胞聚类对于scRNA-seq数据分析至关重要,但受到高维度和数据丢失的挑战.
研究的目的:
- 提出一种新的对比集群框架,scSCCNIA,用于在scRNA-seq数据中准确识别细胞类型.
- 从复杂的scRNA-seq数据集中提高细胞聚类和标记基因识别的准确性.
主要方法:
- scSCCNIA使用拉普拉斯波器进行邻居信息聚合.
- 使用有非共享参数的语编码器进行数据增强和图形视图构建.
- 通过基于相似性矩阵的对比学习来学习潜在的低维嵌入.
主要成果:
- scSCCNIA在不同的scRNA-seq数据集中在细胞聚类和标记基因识别方面表现出卓越的表现.
- 该框架有效地揭示了细胞类型的异质性和功能特异性.
- 丰富分析 (GO,KEGG) 验证了从scSCCNIA.scSCCNIA中获得的生物见解.
结论:
- scSCCNIA是一种有效的算法,用于从scRNA-seq数据中学习潜在特征.
- 它显著提高了细胞类型识别的准确性.
- 便于对scRNA-seq数据进行更强大的下游分析.
