基于单细胞课程学习的深度图嵌入聚类
用单细胞RNA测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态,准确率达92%,并发现了与预测相关的重要细胞类型和基因。同时,该方法为单细胞数据推断一个新的特征空间,并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入,这是首次将图注意力和深度学习应用于预测单细胞数据的疾病状态。
Feb, 2020
图神经网络是通过揭示基因和细胞之间的深层连接来重塑我们对生物医学和疾病的理解。本文总结了过去几年针对单细胞数据量身定制的图神经网络方法,并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的几个目标,包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。预计在生物医学领域中,随着不断产生的大规模组学数据和细胞与基因之间的相互关联性加强,图神经网络将成为单细胞分析工作的核心。
Oct, 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
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
通过建立基于基因和细胞层面的双层图表征学习方法(scBiGNN),在单细胞分类中同时挖掘基因之间和细胞之间的关系,以提高分类准确性。实验证明,scBiGNN在单细胞RNA测序数据的细胞类型分类中优于现有方法。
Dec, 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
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