Ping Xu Zhiyuan Ning Pengjiang Li Wenhao Liu Pengyang Wang Jiaxu Cui Yuanchun Zhou Pengfei Wang

Abstract

Einzelzell-RNA-Sequenzierung (scRNA-seq) ermöglicht die Aufdeckung der Zellheterogenität, wobei die Zellclustering-Technik eine zentrale Rolle bei der Identifizierung von Zelltypen und Markergenen spielt. In jüngster Zeit haben insbesondere auf Graph-Neural-Networks (GNNs) basierende Methoden die Leistungsfähigkeit des Clusterings erheblich verbessert. Dennoch bleibt die Analyse von scRNA-seq-Daten aufgrund von Rauschen, Sparsamkeit und hoher Dimensionalität herausfordernd. Diese Schwierigkeiten werden durch das Problem der Überglättung bei GNNs weiter verschärft, das deren Fähigkeit einschränkt, komplexe biologische Informationen zu erfassen. Um diesem Problem entgegenzuwirken, stellen wir scSiameseClu vor – einen neuartigen Siamese-Clustering-Framework zur Interpretation von Einzelzell-RNA-Sequenzierungsdaten, der aus drei Schlüsselschritten besteht: (1) Dualer Augmentationsmodul, der biologisch fundierte Störungen auf die Genexpressionsmatrix sowie die Zellgraph-Beziehungen anwendet, um die Robustheit der Darstellung zu erhöhen; (2) Siamese-Fusionsmodul, das Kreuzkorrelationsschärfung und adaptives Informationsfusion kombiniert, um komplexe zelluläre Beziehungen zu erfassen und gleichzeitig die Überglättung zu verringern; und (3) Optimaler-Transport-Clustering, der die Sinkhorn-Distanz nutzt, um die Clusterzuweisungen effizient an vordefinierte Anteile anzupassen, während gleichzeitig ein ausgewogenes Ergebnis gewährleistet wird. Umfassende Bewertungen an sieben realen Datensätzen zeigen, dass ~\methodname~ die Leistungszustände bestehender State-of-the-Art-Methoden bei der Einzelzell-Clustering, Zelltyp-Annotation und Zelltyp-Klassifikation übertrifft und somit ein leistungsfähiges Werkzeug für die Interpretation von scRNA-seq-Daten darstellt.