scAGC：基于对比引导学习自适应细胞图谱的单细胞聚类
机器学习
2025-08-14 v1 人工智能
摘要
准确的细胞类型注释是分析单细胞RNA测序（scRNA-seq）数据的关键步骤，后者提供了关于细胞异质性的宝贵见解。然而，由于scRNA-seq数据具有高维度和大量零元素，传统聚类方法面临显著的统计和计算挑战。虽然一些先进的方法使用图神经网络来建模细胞间关系，但它们往往依赖于对噪声敏感且无法捕捉单细胞群体中长尾分布固有特性的静态图结构。为此，我们提出scAGC，一种学习自适应细胞图谱并受对比学习引导的单细胞聚类方法。我们的ethods端到端地优化特征表示和细胞图谱。具体而言，我们引入一个拓扑自适应图自编码器，利用可微分的Gumbel-Softmax抽样策略在训练期间动态细化图结构。这种自适应机制通过促进更均衡的邻域结构来缓解长尾度分布问题。为建模scRNA-seq数据的离散、过离散和零膨胀特性，我们集成了零膨胀负二项（ZINB）损失，用于稳健的特征重建。此外，融合对比学习目标以正则化图学习过程，防止图拓扑突然变化，确保稳定性并增强收敛。广泛的实验在9个真实scRNA-seq数据集上表明，scAGC consistently优于其他最先进的方法，在9个和7个数据集上分别获得最佳的NMI和ARI分数。我们的代码可在Anonymous Github上获取。
引用
@article{arxiv.2508.09180,
title = {scAGC: Learning Adaptive Cell Graphs with Contrastive Guidance for Single-Cell Clustering},
author = {Huifa Li and Jie Fu and Xinlin Zhuang and Haolin Yang and Xinpeng Ling and Tong Cheng and Haochen xue and Imran Razzak and Zhili Chen},
journal= {arXiv preprint arXiv:2508.09180},
year = {2025}
}