单细胞 RNA 测序数据的软图聚类
机器学习
2025-07-15 v1 人工智能
基因组学
摘要
聚类分析是单细胞 RNA 测序（scRNA-seq）数据分析的基础任务，对于阐明细胞异质性和多样性至关重要。最近的基于图的 scRNA-seq 聚类方法，特别是图神经网络（GNN），在应对高维、高稀疏性和频繁丢弃事件导致的细胞群边界模糊问题方面取得了显著进展。然而，这些方法依赖于基于阈值相似矩阵构建的硬图，存在以下挑战：（i）通过应用阈值将细胞间关系简化为二元边（0 或 1），限制了对细胞之间连续相似特征的捕获，导致显著信息损失。（ii）硬图中存在显著的跨簇连接，这些连接可能混淆依赖图结构的 GNN 方法，可能导致错误的消息传递和偏差的聚类结果。为此，我们引入scSGC，一种针对单细胞 RNA 测序数据的软图聚类方法，旨在通过非二元边权更准确地表征细胞之间的连续相似性，从而缓解刚性数据结构的局限性。scSGC 框架包括三个核心组件：（i）基于零膨胀负二项分布（ZINB）的特征自编码器；（ii）双通道切割感知的软图嵌入模块；（iii）基于最优传输的聚类优化模块。在十个数据集上的广泛实验表明，scSGC 在聚类准确率、细胞类型注释和计算效率方面均优于 13 种最先进的聚类模型。这些结果凸显了其在推动 scRNA-seq 数据分析和深化我们对细胞异质性理解方面的巨大潜力。
关键词
引用
@article{arxiv.2507.09890,
title = {Soft Graph Clustering for single-cell RNA Sequencing Data},
author = {Ping Xu and Pengfei Wang and Zhiyuan Ning and Meng Xiao and Min Wu and Yuanchun Zhou},
journal= {arXiv preprint arXiv:2507.09890},
year = {2025}
}