使用 CCP 辅助的 UMAP 和 t-SNE 分析 scRNA-seq 数据
本研究提出了一种名为 Cluster-aware Iterative Contrastive Learning (CICL) 的新方法,用于单细胞 RNA 测序 (scRNA-seq) 数据聚类,通过迭代表示学习和聚类框架逐步学习 scRNA-seq 数据的聚类结构,取得了较好的聚类结果。
Dec, 2023
提出了一种拓扑主成分分析 (tPCA) 方法,通过持久 Laplacian 技术和 L$_{2,1}$ 范数正则化的组合来解决多尺度和多类别异质性问题,进一步引入了 k - 最近邻持久 Laplacian 技术来提高鲁棒性。在 11 个多样的 scRNA-seq 数据集上验证了 tPCA 和 kNN-tPCA 方法的有效性,并展示了这些方法在无监督 PCA 增强、UMAP、tSNE 和 NMF 等方面的显著优势。
Oct, 2023
通过引入 scCDCG(基于深度剪切信息图的单细胞 RNA 测序聚类)框架,我们解决了传统聚类方法在 scRNA-seq 数据分析中忽略基因表达特征中嵌入的结构信息所带来的问题,提出了一种有效且准确的聚类方法,能够同时利用细胞间的高阶结构信息。通过在 6 个数据集上的广泛实验,我们证明了 scCDCG 相较于其他 7 种常见模型的出色性能和效率,凸显了它在 scRNA-seq 数据分析中的潜力。
Apr, 2024
近年来,单细胞 RNA 测序领域的聚类方法得到了大量发展,然而大多数已有的聚类算法往往忽略基因之间的网络结构,并以属性信息为主要依据,本文提出了一种先进的单细胞聚类模型,通过双图对齐的方式整合了基因网络信息,优化聚类结果并保留了细胞与基因之间的关联,从而更准确地获得细胞亚群,并生成更接近真实生物场景的聚类结果,为早期疾病诊断和治疗奠定了基础。
Nov, 2023
介绍了一种基于聚类的降维方法 CBMAP,旨在同时保留全局和局部结构,提供速度、可扩展性和对超参数依赖较小的解决方案,满足机器学习应用中对测试数据的低维投影的需求。
Apr, 2024
本文提出了一种基于深度生成模型 gimVI 的方法,用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。
May, 2019
提出了一种基于扩散模型的全新方法 Single-Cell Latent Diffusion (SCLD),可以在一个统一的框架内合成大规模、高质量的单细胞 RNA 测序样本,包括整体和特定的细胞亚群,实验结果显示了其在细胞分类和数据分布距离方面的最先进性能以及合成特定细胞亚群的能力。
Dec, 2023
通过引入顶 ological NMF 和 robust topological NMF 方法,并利用 12 个数据集进行验证,我们证明了提出的 TNMF 和 rTNMF 明显优于其他基于 NMF 的方法,并在可视化中使用 TNMF 和 rTNMF 进行了 Uniform Manifold Approximation and Projection (UMAP) 和 t-distributed stochastic neighbor embedding (t-SNE)。
Oct, 2023
本文旨在深入探讨降维方法中保留局部和全局结构的重要性,针对保留局部结构提出了一些新的设计原则,并发掘出保留哪些部分对于保持全局结构的重要性,在此基础上提出一种新的降维算法 PaCMAP,该算法同时保留了局部和全局结构,并为构建降维算法时提供了一些出乎意料的设计选择报告。
Dec, 2020
基于单细胞多视图聚类方法的创新性,scUNC 无需预定义聚类数即可整合来自不同视图的信息,通过交叉视图融合网络生成有效嵌入,利用社区检测生成初始聚类,然后自动合并和优化聚类,最终对比基线方法实现了更好的单细胞数据聚类效果。
Nov, 2023