Autoencodeur d'embedding graphique basé sur ZINB pour les interprétations de RNA-Seq à cellule unique

Le séquençage d'ARN à cellule unique (scRNA-seq) fournit des informations à haut débit sur les niveaux d'expression génique à l'échelle du génome à la résolution de cellule unique, offrant une compréhension précise du transcriptome des cellules individuelles. Malheureusement, la croissance rapide des données scRNA-seq et la prévalence des événements de perte posent des défis substantiels pour l'annotation des types cellulaires. Ici, nous proposons une méthode de clustering par embedding graphique basé sur un modèle de cellule unique (scTAG), qui apprend simultanément les représentations topologiques cellule-cellule et identifie les clusters cellulaires en utilisant un réseau de neurones convolutionnels graphes profond. scTAG intègre le modèle binomial négatif à inflation zéro (ZINB) dans un autoencodeur convolutionnel graphique adapté à la topologie pour apprendre la représentation latente de faible dimension et adopte la divergence de Kullback–Leibler (KL) pour les tâches de clustering. En optimisant simultanément la perte de clustering, la perte ZINB et la perte de reconstruction du graphe cellulaire, scTAG optimise conjointement l'attribution des étiquettes de cluster et l'apprentissage des caractéristiques tout en préservant les structures topologiques de manière end-to-end. D'importants résultats expérimentaux sur 16 ensembles de données scRNA-seq provenant de plateformes de séquençage de cellules uniques diverses mais représentatives démontrent la supériorité de scTAG par rapport à diverses méthodes de clustering à la pointe de la technologie.