scDFN：利用深度融合网络增强单细胞 RNA-seq 聚类

单细胞核糖核酸测序（scRNA-seq）技术可用于对单个细胞的转录组进行高分辨率分析。因此，其应用在准确分析不断增长的异质性单细胞数据集内容方面日益普及。解读 scRNA-seq 数据的核心是对细胞进行聚类，以解析转录组多样性并推断细胞行为模式。然而，其复杂性使得有必要应用能够解决单细胞数据固有的异质性和有限基因表达特征的先进方法。在此，我们介绍了一种名为 scDFN 的新型基于深度学习的单细胞聚类算法，该算法可通过融合网络策略显著增强 scRNA-seq 数据的聚类效果。scDFN 算法采用双重机制，包括用于提取属性信息的自动编码器和用于捕获拓扑细微差别的改进图自动编码器，并通过跨网络信息融合机制进行整合，并辅以三重自监督策略。该融合通过综合考虑四种不同的损失函数来进行优化。在多个数据集上与五种领先的 scRNA-seq 聚类方法的对比分析显示了 scDFN 的优越性，这由更优的标准互信息（NMI）和调整兰德指数（ARI）指标所证实。此外，scDFN 展示了稳健的多聚类数据集性能以及对批次效应的卓越抵御能力。消融实验突出了自动编码器和改进图自动编码器组件的关键作用，以及四种联合损失函数对算法整体效能的关键贡献。通过这些进展，scDFN 树立了单细胞聚类的新基准，并可用作对单细胞转录组学进行精细分析的有效工具。