Clustering de Embedding Profundo Baseado em Aprendizado de Currículo de Célula Única

O avanço rápido das tecnologias de sequenciamento de RNA de célula única (scRNA-seq) possibilita a investigação da heterogeneidade tecidual em nível celular. A anotação celular contribui significativamente para a extensa análise posterior dos dados de scRNA-seq. No entanto, a análise de scRNA-seq para inferência biológica apresenta desafios devido à sua distribuição de dados complexa e indeterminada, caracterizada por um volume substancial e uma alta frequência de eventos de perda de dados. Além disso, a qualidade das amostras de treinamento varia muito, e o desempenho da popular solução de clustering de dados de scRNA-seq GNN pode ser prejudicado por dois tipos de nós de baixa qualidade: 1) nós na borda; 2) nós que contribuem com pouca informação adicional para o grafo. Para resolver esses problemas, propomos um clustering de embedding profundo baseado em aprendizado de currículo de célula única (scCLG). Primeiro, propomos um autoencoder convolucional de grafo de Chebyshev com múltiplos decodificadores (ChebAE) que combina três objetivos de otimização correspondentes a três decodificadores, incluindo perda de reconstrução topológica de grafos celulares, perda binomial negativa inflacionada por zero (ZINB), e perda de clustering, para aprender a representação topológica célula-célula. Enquanto isso, empregamos uma estratégia de treinamento seletivo para treinar o GNN com base nas características e entropia dos nós e podar os nós difíceis com base nas pontuações de dificuldade para manter o grafo de alta qualidade. Resultados empíricos em uma variedade de conjuntos de dados de expressão gênica mostram que nosso modelo supera métodos de ponta.