无监督细胞类型识别的细胞-基因关联精细化对比学习
人工智能
2025-12-12 v1 机器学习
摘要
无监督细胞类型识别对于揭示和表征单细胞组学研究中的异质性群体至关重要。虽然已开发了一系列聚类方法，但大多数仅专注于内在细胞结构，忽略了细胞-基因关联的关键作用，这限制了它们区分密切相关的细胞类型的能力。为此，我们提出了一种精细化对比学习框架 (scRCL)，明确纳入细胞-基因相互作用以推导更具信息量的表示。具体而言，我们引入两个对比分布对齐组件，通过有效利用细胞-细胞结构关系揭示可靠的内在细胞结构。此外，我们开发了一个精细化模块，整合基因相关性结构学习，通过捕捉潜在的细胞-基因关联来增强细胞嵌入。该模块加强了细胞与其关联基因之间的连接，细化了表示学习以利用生物学上有意义的关系。在多个单细胞 RNA 测序和空间转录组学基准数据集上的广泛实验表明，我们的方法在细胞类型识别准确率方面持续优于最先进基线。此外，下游生物学分析确认所恢复的细胞群体表现出一致的基因表达特征，进一步验证了我们方法的生物学相关性。代码可在 https://github.com/THPengL/scRCL 获取。
引用
@article{arxiv.2512.10640,
title = {Refinement Contrastive Learning of Cell-Gene Associations for Unsupervised Cell Type Identification},
author = {Liang Peng and Haopeng Liu and Yixuan Ye and Cheng Liu and Wenjun Shen and Si Wu and Hau-San Wong},
journal= {arXiv preprint arXiv:2512.10640},
year = {2025}
}