JojoSCL：用于单细胞 RNA 序列聚类的收缩对比学习
机器学习
2025-06-03 v1 基因组学
机器学习
摘要
单细胞 RNA 测序 通过在单个细胞水平上实现基因表达分析，彻底改变了我们对细胞过程的理解。聚类允许识别细胞类型并进一步发现单细胞数据中的内在模式。然而，scRNA-seq 数据的高维性和稀疏性继续挑战着现有的聚类模型。在本文中，我们引入了 JojoSCL，一种用于 scRNA-seq 聚类的新型自监督对比学习框架。通过引入基于分层贝叶斯估计的收缩估计器，将基因表达估计调整至更可靠的聚类质心以减少簇内离散度，并使用 Stein 无偏风险估计 (SURE) 进行优化，JojoSCL 改进了实例级和聚类级的对比学习。在十个 scRNA-seq 数据集上的实验证实，JojoSCL 始终优于现有的聚类方法，并通过鲁棒性分析和消融研究进一步验证了其实用性。JojoSCL 的代码可在：https://github.com/ziwenwang28/JojoSCL 获取。
关键词
引用
@article{arxiv.2506.00410,
title = {JojoSCL: Shrinkage Contrastive Learning for single-cell RNA sequence Clustering},
author = {Ziwen Wang},
journal= {arXiv preprint arXiv:2506.00410},
year = {2025}
}