基于通信的聚类：单细胞表征学习的变分框架
机器学习
2025-12-29 v2 人工智能
机器学习
摘要
单细胞RNA测序(scRNA-seq)揭示了复杂的细胞异质性，但近期研究强调，理解生物功能也需要对细胞间通信(cell-cell communication, CCC)，即由配体-受体对介导的信号相互作用，以协调细胞行为。像CellChat这样的工具已显示CCC在细胞分化、组织再生和免疫反应等过程中发挥关键作用，且转录组数据本身就编码了关于细胞间信号的丰富信息。我们提出CCCVAE，一种新的变分自编码器框架，将CCC信号整合到单细胞表征学习中。通过利用从配体-受体相互作用中派生的通信感知核函数和稀疏高斯过程，CCCVAE将生物学先验知识编码到潜在空间。不同于处理每个细胞的常规VAE，CCCVAE鼓励潜在嵌入反映转录相似性和细胞间信号背景。跨四个scRNA-seq数据集的实证结果表明，CCCVAE在聚类性能上取得更好的评估得分，优于标准VAE基线。这一工作表明，将生物学先验知识嵌入深度生成模型以进行无监督的单细胞分析具有重要价值。
引用
@article{arxiv.2505.04891,
title = {Clustering with Communication: A Variational Framework for Single Cell Representation Learning},
author = {Cong Qi and Yeqing Chen and Zhi Wei},
journal= {arXiv preprint arXiv:2505.04891},
year = {2025}
}