基于扩张层次自组织映射的单细胞与 CRISPR 数据的层次聚类与可视化
机器学习
2024-07-25 v1 信息检索
基因组学
摘要
高维单细胞数据因细胞状态的复杂性和异质性，在识别潜在生物模式方面存在显著挑战。我们提出了一种通过无监督聚类实现的全面的基因-细胞依赖关系可视化方法——Growing Hierarchical Self-Organizing Map (GHSOM)，专为分析高维单细胞数据（如单细胞测序和 CRISPR 筛选）而设计。GHSOM 被用于以层次结构对样本进行聚类，以便满足聚类在不同层次和同一聚类内部的所需变异。我们提出了一种新型显著属性识别算法，用于识别区分聚类的特征。该算法确定在同一聚类内部变异最小但在聚类之间变异显著的属性。这些关键属性可用于针对性数据检索和后续分析。此外，我们 presented 两种创新可视化工具：Cluster Feature Map 和 Cluster Distribution Map。Cluster Feature Map 突出显示了特定特征在 GHSOM 聚类层次结构中的分布，从而允许快速基于所选特征的聚类唯一性进行评估。Cluster Distribution Map 将叶类聚类表示为网格上的圆圈，其中圆圈大小反映聚类数据规模，颜色可自定义以可视化细胞类型或其他属性。我们将分析应用于三个单细胞数据集和一个 CRISPR 数据集（细胞-基因数据库），并通过内部和外部 CH 与 ARI 分数评估聚类方法。GHSOM 在内部评估中表现最佳（CH=4.2），在外部评估中排名第三。
引用
@article{arxiv.2407.16984,
title = {scGHSOM: Hierarchical clustering and visualization of single-cell and CRISPR data using growing hierarchical SOM},
author = {Shang-Jung Wen and Jia-Ming Chang and Fang Yu},
journal= {arXiv preprint arXiv:2407.16984},
year = {2024}
}
备注
Abstract presentation at BIOKDD@ACM KDD 2024