外源基因信息辅助的单细胞深度聚类方法：一种识别细胞类型的新途径
机器学习
2023-12-18 v2 人工智能
分子网络
摘要
近年来，单细胞数据分析领域的聚类方法开发取得显著进展。尽管有进展，多数算法仍集中于分析所提供的单细胞矩阵数据。然而，在医学应用中，单细胞数据常涉及包括基因网络在内的丰富外源信息。忽视此方面可能导致信息丢失及缺乏显著临床相关性的聚类结果。为克服该局限，提出了一种融合外源基因信息的创新单细胞深度聚类方法。该模型利用外源基因网络信息促进聚类过程，生成判别性表示。具体而言，我们开发了注意力增强图自编码器，旨在高效捕获细胞间拓扑特征。同时，我们在外源蛋白质-蛋白质相互作用（PPI）网络上执行随机游走，从而获取基因的拓扑特征。最终，在聚类过程中，我们整合两类信息并重构细胞与基因的特征以生成判别性表示。大量实验验证了所提方法的有效性。本研究增进了对细胞特征与分布的理解，从而为疾病的早期诊断和治疗奠定基础。
引用
@article{arxiv.2311.17104,
title = {Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types},
author = {Dayu Hu and Ke Liang and Hao Yu and Xinwang Liu},
journal= {arXiv preprint arXiv:2311.17104},
year = {2023}
}