scCDCG：通过深度切割信息图嵌入实现单细胞RNA-seq的高效深度结构聚类
机器学习
2025-10-01 v2 人工智能
基因组学
摘要
单细胞RNA测序（scRNA-seq）对于揭示细胞异质性和多样性至关重要，为生物信息学进展提供了宝贵的见解。尽管有潜力，scRNA-seq数据分析中的传统聚类方法常常忽略基因表达谱中嵌入的结构信息，而这些信息对于理解细胞相关性和依赖性至关重要。现有策略，包括图神经网络，在处理scRNA-seq数据固有的高维度和高稀疏性导致的低效问题时面临挑战。为了解决这些限制，我们引入了scCDCG（通过深度切割信息图进行单细胞RNA-seq聚类），这是一个新颖的框架，旨在高效准确地聚类scRNA-seq数据，同时利用细胞间的高阶结构信息。scCDCG包含三个主要组件：（i）利用深度切割信息技术的图嵌入模块，有效捕获细胞间高阶结构信息，克服了先前图神经网络方法中普遍存在的过平滑和低效问题。（ii）由最优传输引导的自监督学习模块，专门适应scRNA-seq数据的独特复杂性，特别是其高维度和高稀疏性。（iii）基于自编码器的特征学习模块，通过有效的降维和特征提取简化模型复杂度。我们在6个数据集上的大量实验表明，与7个已建立的模型相比，scCDCG具有优越的性能和效率，突显了scCDCG作为scRNA-seq数据分析中变革性工具的潜力。我们的代码可在https://github.com/XPgogogo/scCDCG获取。
引用
@article{arxiv.2404.06167,
title = {scCDCG: Efficient Deep Structural Clustering for single-cell RNA-seq via Deep Cut-informed Graph Embedding},
author = {Ping Xu and Zhiyuan Ning and Meng Xiao and Guihai Feng and Xin Li and Yuanchun Zhou and Pengfei Wang},
journal= {arXiv preprint arXiv:2404.06167},
year = {2025}
}
备注
Accepted as a long paper for the research track at DASFAA 2024; Error Correction