【论文阅读】Towards multi-fusion graph neural network for single-cell RNA sequence clustering

代码地址： https://github.com/youngcmm/scMFGNN

---

摘要

聚类分析在单细胞RNA测序（scRNA-seq）数据分析中发挥着至关重要的作用，其中基于图神经网络（GNN）的聚类方法近年来迅速成为一项颇具前景的技术。尽管已有显著进展，现有的scRNA-seq聚类方法仍存在两个关键局限：

首先，它们大多将节点属性与细胞-细胞之间的拓扑信息视为同等重要，却忽视了二者在可靠性上的（可能存在的）差异；
其次，它们通常仅使用最后一层网络中学习到的表示，缺乏融合来自不同层次的多尺度判别信息的能力。

为了解决上述问题，本文提出了一种面向scRNA-seq聚类的新方法——单细胞多融合图神经网络（scMFGNN）。
具体而言，本文引入了多融合图神经网络（MFGNN），用于在保留多尺度网络结构信息的同时，学习具有判别力的数据表示。
为应对scRNA-seq数据中常见的高离散性、高异质性与高维特性，网络结构中还融合了零膨胀负二项分布（ZINB）模块。
此外，通过约束节点表示与图拓扑信息之间的一致性，引导模型进行联合学习。