RU Технология секвенирования одноклеточной РНК (scRNA-seq) дает возможность изучать биологические проблемы на клеточном уровне. Идентификация типов отдельных клеток с помощью неконтролируемой кластеризации является основной целью анализа данных scRNA-seq. Хотя недавно был выдвинут ряд предложений по методам кластеризации отдельных ячеек, лишь немногие из них учитывали как поверхностную, так и глубокую потенциальную информацию. Поэтому мы предлагаем основанный на автоэнкодировании графиков метод кластеризации интеграции отдельных ячеек, scGASI. Основываясь на нескольких наборах функций, scGASI объединяет глубокое встраивание функций и восстановление сходства данных в единой структуре для изучения согласованной матрицы сходства между ячейками. scGASI сначала создает несколько наборов функций. Затем, чтобы извлечь глубокую потенциальную информацию, встроенную в данные, scGASI использует графический автоэнкодер (GAEs) для изучения низкоразмерного скрытого представления данных. Далее, чтобы эффективно объединить глубокую потенциальную информацию в пространстве встраивания и неглубокую информацию в необработанном пространстве, мы разрабатываем многоуровневую стратегию интеграции ядра для самовыражения. Эта стратегия использует модель самовыражения ядра с многоуровневым объединением подобий для изучения матрицы подобия, разделяемой необработанными пространствами и пространствами встраивания данного набора функций, и механизм консенсусного обучения для изучения консенсусной матрицы сходства по всем наборам функций. Наконец, консенсусная матрица аффинности используется для спектральной кластеризации, визуализации и идентификации генных маркеров. Крупномасштабная проверка реальных наборов данных показывает, что scGASI обладает более высокой точностью кластеризации, чем многие популярные методы кластеризации., фото
Promt:
Single-cell RNA sequencing (scRNA-seq) technology offers the opportunity to study biological issues at the cellular level, The identification of single-cell types by unsupervised clustering is a basic goal of scRNA-seq data analysis, Although there have been a number of recent proposals for single-cell clus-tering methods, only a few of these have considered both shallow and deep potential information, Therefore, we propose a graph autoencoder-based sin-gle-cell integration clustering method, scGASI, Based on multiple feature sets, scGASI unifies deep feature embedding and data affinity recovery in a uniform framework to learn a consensus affinity matrix between cells, scGASI first constructs multiple feature sets, Then, to extract the deep poten-tial information embedded in the data, scGASI uses a graph autoencoder (GAEs) to learn the low-dimensional latent representation of the data, Next, to effectively fuse the deep potential information in the embedding space and the shallow information in the raw space, we design a multi-layer kernel self-expression integration strategy, This strategy uses a kernel self-expression model with multi-layer similarity fusion to learn a similarity ma-trix shared by the raw and embedding spaces of a given feature set, and a consensus learning mechanism to learn a consensus affinity matrix across all feature sets, Finally, the consensus affinity matrix is used for spectral clus-tering, visualization, and identification of gene markers, Large-scale valida-tion on real datasets shows that scGASI has higher clustering accuracy than many popular clustering methods, photo
Размер:
1024x1024
Модель:
ideogram.ai
Сайт:
Цена:
бесплатно
Еще в подборке
