基于未知聚类数的单细胞多视图聚类通过社区检测
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
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
通过在两个不同的空间中进行共训练，提出了一种名为DSCMC的新型多视图聚类模型，以增强聚类性能。我们的方法旨在捕捉不同视图中数据点之间的内在关系和结构，并将信息从多个视图映射到共享的潜在空间。通过构建潜在一致的锚图和特征转换来实现共同优化，从而生成具有判别性能力的锚图。我们的算法具有近似线性的计算复杂度，在大规模数据集上应用非常成功。通过实验证实，与现有方法相比，我们的方法显著降低了计算复杂度并获得了更好的聚类性能。
Jan, 2024
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
通过使用单细胞基因组学数据，我们提出了一种名为sc-OTGM的简化模型，它通过无监督学习实现了细胞状态分类和基因干扰响应预测，并且在分析差异基因表达，基因推荐系统以及生成特定细胞状态的合成单细胞RNA测序数据方面表现出良好的效果。
May, 2024
跨群体整合多组学单细胞数据的新方法，通过学习统一细胞表达，实现无需全模态参考样本的跨域关系和特征填充，为单细胞聚类、分类和特征填充等任务提供了稳健的解决方案。
May, 2024
提出了一种新的方法 scTree，用于单细胞树状变分自动编码器，扩展了一种层次聚类方法用于单细胞 RNA 测序数据。通过这种基于 VAE 的方法，同时纠正批次效应和学习树状数据表示，从而深入理解复杂细胞景观，并独立于批次的偏差效应。通过对七个数据集的实证研究表明，scTree 可以发现数据的潜在聚类以及其中的层次关系，并且在这些数据集上表现优于已有的基准方法。此外，我们还分析了学习得到的层次结构以了解其生物相关性，从而强调了直接将批次纠正引入聚类过程的重要性。
Jun, 2024
本研究针对单细胞RNA测序数据分析中的高稀疏性和复杂噪声模式问题，提出了一种名为scASDC的深度聚类方法。该方法通过多层图卷积网络获取细胞之间的高阶结构关系，并结合注意力融合机制和自监督学习模块，提高了聚类的准确性和鲁棒性。实验结果表明，scASDC在多个聚类任务中均优于现有的最先进方法，有助于更好地理解细胞异质性和生物过程。
Aug, 2024
本研究针对单细胞RNA测序数据分析中的复杂数据分布和低质量训练样本问题，提出了一种基于单细胞课程学习的深度图嵌入聚类方法（scCLG）。通过引入带有多解码器的切比雪夫图卷积自编码器，并结合选择性训练策略，提升了细胞间拓扑表示的学习效果。实证结果表明，该模型在多种基因表达数据集上超越了现有的先进方法。
Aug, 2024