![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 93
通过阅读理解优秀的论文,扩展科研视野
dundunmm
这个作者很懒,什么都没留下…
展开
-
阅读论文:scBERT as a large-scale pretrained deep language model for cell type annotation of scRNA data
基于单细胞RNA测序(scRNA-seq)数据对细胞类型进行注释是研究疾病进展和肿瘤微环境的前提。在此,我们展示了现有的注释方法通常存在缺乏精心整理的标记基因列表、处理批次效应不当以及难以利用潜在基因-基因交互信息的问题,削弱了这些方法的泛化性和鲁棒性。作者开发了一种基于预训练深度神经网络的模型,即单细胞双向编码表示转换器(scBERT),以克服这些挑战。遵循BERT的预训练和微调方法,scBERT通过在大量未标记的scRNA-seq数据上进行预训练,获得了对基因-基因交互的通用理解;原创 2024-05-28 15:01:30 · 880 阅读 · 0 评论 -
论文阅读:Denoising adaptive deep clustering with self-attention mechanism on single-cell sequencing data
大量研究已经展示了单细胞RNA测序(scRNA-seq)在研究单细胞层面的多样性和生物功能方面的应用。聚类识别未知细胞类型,对于scRNA-seq样本的下游分析至关重要。然而,scRNA-seq样本的高维度、高噪声和普遍存在的丢失率给样本的聚类分析带来了显著挑战。为此,作者提出了一种新的基于去噪自编码器和自注意力机制的自适应模糊聚类模型,称为scDASFK。该模型通过对比学习将细胞相似信息整合到聚类方法中,并使用深度去噪网络模块来去噪数据。原创 2024-05-23 00:43:57 · 1083 阅读 · 0 评论 -
论文阅读:scAMAC: self-supervised clustering of scRNA-seq data based on adaptive multi-scale autoencoder
细胞聚类对于分析单细胞RNA测序(scRNA-seq)数据以理解高层次的生物学过程至关重要。基于深度学习的聚类方法近年来在scRNA-seq数据分析中被广泛应用。然而,现有的深度模型往往忽视了网络层之间的相互连接和交互,导致网络层内结构信息的丢失。为此,作者开发了一种基于自适应多尺度自动编码器的新型自监督聚类方法,称为scAMAC。自监督聚类网络利用多尺度注意力机制融合多尺度自动编码器的编码器、隐藏层和解码层的特征信息,这使得能够在同一尺度内探索细胞相关性,并捕捉跨不同尺度的深度特征。原创 2024-05-19 20:56:22 · 1141 阅读 · 0 评论 -
论文阅读:scTPC: a novel semi-supervised deep clustering model for scRNA-seq data
深度聚类层包含用于指导数据聚类过程的标签信息。然而,仅在聚类水平上提供的指导忽略了细胞之间的成对约束(Chen 等人,2021 年)。通常,定义了两种类型的约束:必须链接和不能链接(Basu 等人,2008 年)。Must-link 约束事先表示两个元属于同一类型,而 Cannot-link 约束事先表示两个相应的元属于不同的类型。成对的 Must-link 和 Cannot-link 约束通常用于半监督算法来引导聚类过程(van Engelen 和 Hoos 2020)。原创 2024-05-14 23:56:12 · 1198 阅读 · 0 评论 -
论文阅读:scGAC: a graph attentional architecture for clustering single-cell RNA-seq data
Yi Cheng, Xiuli Ma, scGAC: a graph attentional architecture for clustering single-cell RNA-seq data, Bioinformatics, Volume 38, Issue 8, March 2022, Pages 2187–2193, scGAC: a graph attentional architecture for clustering single-cell RNA-seq data | Bioinfor原创 2024-05-17 10:30:22 · 1391 阅读 · 1 评论 -
论文阅读:ZINB-Based Graph Embedding Autoencoder for Single-Cell RNA-Seq Interpretations
单细胞RNA测序(scRNA-seq)可以在单细胞水平上提供基因组范围内的基因表达水平的高通量信息,从而精确了解单个细胞的转录组信息。不幸的是,快速增长的单细胞RNA测序数据以及普遍存在的细胞丢失事件给细胞类型注释带来了巨大的挑战。本文提出一种基于单细胞模型的深度图嵌入聚类(scTAG)方法,它基于深度图卷积神经网络同时学习细胞间拓扑结构表示并识别细胞簇。原创 2024-04-29 13:31:44 · 932 阅读 · 0 评论 -
论文阅读:Deep structural clustering for single-cell RNA-seq data jointly through AE and GNN
单细胞RNA测序(scRNA-seq)可以研究细胞异质性和多样性的复杂机制。无监督聚类对于分析scRNA-seq数据至关重要,因为它可以用于识别潜在的细胞类型。然而,由于噪声影响、高维度和普遍的缺失事件,scRNA-seq数据的聚类分析仍然是一个计算挑战。本文提出了一种新的用于scRNA-seq数据的深度结构聚类方法,命名为scDSC,它将结构信息整合到单细胞的深度聚类中。所提出的scDSC包括基于零膨胀负二项式(ZINB)模型的自编码器,图神经网络(GNN)模块和相互监督模块。原创 2024-05-06 11:22:18 · 522 阅读 · 3 评论 -
论文阅读:A parameter-free deep embedded clustering method for single-cell RNA-seq data
单细胞核糖核酸(RNA)测序数据中的聚类分析被广泛用于发现细胞的异质性和状态。尽管已经开发了许多用于单细胞RNA测序分析的聚类方法,但大多数这些方法都需要提供聚类的数量。然而,事先知道细胞类型的确切数量并不容易,而且经验决定也不总是可靠的。本文开发了ADClust,一种用于单细胞RNA测序数据的自动深度嵌入聚类方法,可以在不需要预先定义聚类数量的情况下准确地对细胞进行聚类。具体而言,ADClust首先通过预训练的自编码器获得低维表示,并使用这些表示将细胞聚类成初始微聚类。原创 2024-05-10 13:28:20 · 1265 阅读 · 0 评论 -
论文阅读Deep Multi-Constraint Soft Clustering Analysis for scRNA-Seq Data via Zero-Inflated AE embedding
将细胞聚类成亚群在基于单细胞的分析中扮演着至关重要的角色,这有助于揭示细胞的异质性和多样性。由于单细胞RNA测序数据不断增加且RNA捕获率低,对高维稀疏的单细胞RNA测序数据进行聚类变得具有挑战性。在本研究中,提出了一种单细胞多约束深度软K均值聚类(scMCKC)框架。基于零膨胀负二项(ZINB)模型的自编码器,scMCKC通过考虑相似细胞之间的关联性,构建了一种新的细胞级紧密性约束,以强调簇之间的紧密性。此外,scMCKC利用由先验信息编码的成对约束来指导聚类。原创 2024-05-11 23:29:21 · 888 阅读 · 1 评论 -
论文阅读:Unsupervised Deep Embedded Fusion Representation of Single-Cell Transcriptomics (AAAI-23)
细胞聚类是分析单细胞RNA测序(scRNA-seq)数据的关键步骤,它允许在单细胞水平上进行转录谱分析后对细胞异质性进行表征。最近,单细胞深度嵌入表示模型因其可以同时学习特征表示和聚类而受到青睐。然而,这些模型仍然面临着许多重大挑战,包括海量数据、普遍的dropout事件以及转录谱中复杂的噪声模式。本文提出了一种名为单细胞深度嵌入融合表示(scDEFR)模型,它产生了一个深度嵌入融合表示,以学习包含基因水平转录组和细胞拓扑信息的融合异质潜在嵌入。首先逐层融合它们,以获得细胞间关系和转录组信息的压缩表示。原创 2024-04-30 08:00:00 · 1110 阅读 · 0 评论 -
论文阅读:Unsupervised Gene-Cell Collective Representation Learning with Optimal Transport (AAAI-24)
细胞类型识别在单细胞RNA测序(scRNA-seq)数据分析中起着至关重要的作用。尽管已经提出了许多用于聚类scRNA-seq数据的深度嵌入方法,但它们仍然未能揭示细胞和基因的内在特性。本文提出了一种新颖的端到端深度图聚类模型,scGCOT(single-cGene-COptimalTransport),它整合了细胞和基因的相关性。具体而言,scGCOT同时学习细胞和基因的潜在嵌入,并重建细胞图、基因图和基因表达计数矩阵。原创 2024-04-30 16:35:51 · 639 阅读 · 0 评论 -
【论文阅读】:Effective multi-modal clustering method via skip aggregation network for scRNA-seq data
论文地址:https://academic.oup.com/bib/article/25/2/bbae102/7630472论文代码:https://github.com/DayuHuu/scEMC。原创 2024-05-17 17:28:14 · 886 阅读 · 0 评论 -
论文阅读:Efficient Deep Embedded Subspace Clustering
深度聚类方法(包括基于距离的方法和基于子空间的方法)将聚类和特征学习融合在一个统一的框架内,已实现聚类和表示的交互促进。然而,由于深度子空间聚类方法常在自表示学习的框架中,因此时间和空间复杂度都为平方级的,从而限制了他们在大规模数据聚类和实时数据聚类上的应用。本文为深度聚类提出了一个新的机制,旨在以迭代改进的方式从深度表示中学习子空间基,而改进的子空间基反过来帮助学习深度神经网络的表示。在基准数据集上与最新的聚类方法进行了广泛的对比研究,验证了所提方法的优越性。,进而得到标准化的亲和子空间S。原创 2024-04-26 10:21:25 · 671 阅读 · 0 评论 -
论文阅读:scDFC: A deep fusion clustering method for single-cell RNA-seq data
聚类方法已被广泛应用于单细胞RNA测序数据以研究肿瘤的异质性。由于传统的聚类方法无法捕捉高维数据,近年来深度聚类方法因其在任务上的有希望的优势而越来越受到关注。然而,现有方法要么考虑每个细胞的属性信息,要么考虑不同细胞之间的结构信息。换句话说,它们无法同时充分利用所有这些信息。为此,本文提出了一种新颖的单细胞深度融合聚类模型,其中包含两个模块,即属性特征聚类模块和结构-注意特征聚类模块。更具体地说,构建了两个精心设计的自编码器来处理这两种特征,而不考虑它们的数据类型。原创 2024-05-09 13:25:24 · 801 阅读 · 0 评论 -
论文阅读:scBGEDA: deep single-cell clustering analysis via a dual denoising autoencoder
论文地址代码。原创 2024-05-13 23:14:10 · 1045 阅读 · 1 评论