scASDC: Aufmerksamkeitsverbesserte strukturelle tiefe Clusterbildung für Einzelzell-RNA-seq-Daten

Die Analyse von Einzelzell-RNA-Sequenzierungsdaten (scRNA-seq) ist entscheidend für das Verständnis der zellulären Heterogenität. Die hohe Sparsamkeit und die komplexen Rauschmuster, die in scRNA-seq-Daten vorhanden sind, stellen jedoch erhebliche Herausforderungen für traditionelle Clusterbildungsmethoden dar. Um diese Probleme zu lösen, schlagen wir eine Methode zur tiefen Clusterbildung vor, die Aufmerksamkeits-verbesserte strukturelle tiefe Einbettungs-Graphen-Clusterbildung (scASDC), die mehrere fortschrittliche Module integriert, um die Genauigkeit und Robustheit der Clusterbildung zu verbessern. Unser Ansatz verwendet ein mehrschichtiges graphen-konvolutionelles Netzwerk (GCN), um hochordentliche strukturelle Beziehungen zwischen den Zellen zu erfassen, das als Graphen-Autoencoder-Modul bezeichnet wird. Um das Überglättungsproblem in GCNs zu mindern, führen wir ein ZINB-basiertes Autoencoder-Modul ein, das Informationsinhalte aus den Daten extrahiert und latente Darstellungen der Genexpression lernt. Diese Module werden weiter durch einen Aufmerksamkeitsfusion-Mechanismus integriert, um eine effektive Kombination von Genexpression und strukturellen Informationen auf jeder Schicht des GCNs sicherzustellen. Darüber hinaus wird ein selbstüberwachtes Lernmodul integriert, um die Robustheit der gelernten Einbettungen zu erhöhen. Umfangreiche Experimente zeigen, dass scASDC bestehende Methoden auf dem neuesten Stand übertrifft und eine robuste sowie effektive Lösung für Aufgaben der Einzelzell-Clusterbildung bietet. Unsere Methode ebnet den Weg für genauere und bedeutungsvollere Analysen von Einzelzell-RNA-Sequenzierungsdaten, was zu einem besseren Verständnis der zellulären Heterogenität und biologischer Prozesse beiträgt. Alle im Rahmen dieser Arbeit verwendeten Codes und öffentlichen Datensätze sind unter https://github.com/wenwenmin/scASDC und https://zenodo.org/records/12814320 verfügbar.