scDAC: एकल-कोशिका ट्रांसक्रिप्टोमिक डेटा का गहरा अनुकूलनीय समूहन जोड़ा हुआ ऑटोएंकोडर और डिर्चलेट प्रक्रिया मिश्रण मॉडल के साथ

सार प्रेरणा एकल-कोशिका RNA अनुक्रमण (scRNA-seq) डेटा के लिए समूहन विश्लेषण सेलुलर विषमता को प्रकट करने में एक महत्वपूर्ण कदम है। scRNA-seq डेटा से विषम कोशिका प्रकारों को खोजने के लिए कई समूहन विधियों का प्रस्ताव किया गया है। हालांकि, बड़े पैमाने पर scRNA-seq डेटा से अंतर्निहित जैविकी की प्रकृति को बताते हुए सही समूहन संख्या के साथ अनुकूलनीय समूहन करना काफी चुनौतीपूर्ण है। परिणाम यहां, हम ऑटोएंकोडर (AE) और डिर्चलेट प्रक्रिया मिश्रण मॉडल (DPMM) को जोड़कर एकल-कोशिका गहरा अनुकूलनीय समूहन (scDAC) मॉडल का प्रस्ताव करते हैं। AE और DPMM के मॉडल पैरामीटर को संयुक्त रूप से अनुकूलित करके, scDAC scRNA-seq डेटा पर सही समूहन संख्याओं के साथ अनुकूलनीय समूहन प्राप्त करता है। हम विभिन्न कोशिका प्रकारों की संख्या के साथ पांच उपनमूना डेटा सेट पर scDAC के प्रदर्शन को सत्यापित करते हैं और इसे नौ scRNA-seq डेटा सेट्स पर 15 व्यापक रूप से उपयोग की जाने वाली समूहन विधियों के साथ तुलना करते हैं। हमारे परिणाम दिखाते हैं कि scDAC सटीक कोशिका प्रकारों या उपप्रकारों की संख्या को अनुकूलित रूप से खोज सकता है और अन्य विधियों को पीछे छोड़ देता है। इसके अलावा, scDAC का प्रदर्शन हाइपरपैरामीटर परिवर्तनों के प्रति मजबूत है। उपलब्धता और कार्यान्वयन scDAC को पायथन में लागू किया गया है। स्रोत कोड https://github.com/labomics/scDAC पर उपलब्ध है।