scCDCG: Efficient Deep Structural Clustering for single-cell RNA-seq via Deep Cut-informed Graph Embedding

单细胞RNA测序（scRNA-seq）对于揭示细胞异质性和多样性至关重要，为生物信息学的进步提供了宝贵的见解。尽管具有潜力，但scRNA-seq数据分析中传统的聚类方法通常忽略了嵌入在基因表达谱中的结构信息，这对于理解细胞相关性和依赖性至关重要。现有的策略，包括图神经网络，在处理scRNA-seq数据固有的高维和高稀疏性导致的效率低下方面面临挑战。为了解决这些限制，我们介绍了scCDCG（通过深度剪切信息的图聚类单细胞RNA测序），这是一种新颖的框架，旨在实现高效准确的scRNA-seq数据聚类，同时利用细胞间高阶结构信息。scCDCG包括三个主要组件：（i）利用深度剪切信息的图嵌入模块，有效捕获细胞间高阶结构信息，克服了先前图神经网络方法中普遍存在的过度平滑和低效问题。 （ii）自监督学习模块，由最优输运引导，旨在适应scRNA-seq数据的独特复杂性，特别是其高维和高稀疏性。 （iii）基于自编码器的特征学习模块，通过有效的降维和特征提取简化模型复杂性。我们对6个数据集进行了广泛的实验，证明了scCDCG相对于7个已建立模型的优越性能和效率，凸显了scCDCG作为scRNA-seq数据分析中的变革性工具的潜力。我们的代码可在以下网址找到：https://github.com/XPgogogo/scCDCG。

本论文旨在解决单细胞RNA测序数据分析中传统聚类方法忽略基因表达数据中的结构信息的问题，提出一种新的框架scCDCG，利用高阶结构信息进行高效准确的聚类。

scCDCG框架包括三个主要组件：利用深度切割技术的图嵌入模块、自监督学习模块和基于自编码器的特征学习模块。与现有方法相比，scCDCG在处理高维稀疏数据时更加高效。

论文在6个数据集上进行了广泛的实验，结果表明scCDCG相对于7个已有模型具有更高的性能和效率。研究者还开源了代码，可供其他研究者使用。这项工作有望成为单细胞RNA测序数据分析的一个重要工具。

在这个领域中，最近的相关研究包括“Single-cell RNA-seq Clustering via Graph Convolutional Networks”和“Deep learning for single-cell analysis”。