单细胞基因组学中的增强型基因选择：预筛选协同效应与强化优化

单细胞基因组学的最新进展 necessitates对基因面板选择具有精准性，以有效解释复杂生物数据的性质。这些方法旨在通过聚焦于 contribute 显著性特定分析任务的 最有信息量的基因来简化 scRNA-seq 数据的分析。传统选择方法往往依赖专家领域知识、嵌入式机器学习模型或基于启发式的迭代优化，容易引入偏见并不够高效，从而可能掩盖关键基因组信号。鉴于传统方法的局限性，我们致力于超越这些限制，提出一种更精细化的策略。本研究中，我们引入一种适用于单细胞基因组学中聚类任务的迭代基因面板选择策略。该方法独特地整合了来自其他基因选择算法的结果，作为初始导向搜索空间的有价值的预边界或先验知识，以增强框架的效率。此外，我们融入了强化学习（RL）中探索过程的随机性及其通过奖励反馈实现连续优化的能力。这一组合缓解了初始边界固有的偏见，并发挥了 RL 的适应性，动态细化和针对性地优化基因面板选择。为说明该方法的有效性，我们进行了详尽的比较实验、案例研究和可视化分析。