GCAN: A data feature learning method for scRNA-seq data

Bai, Jingyu

doi:10.1016/j.compbiolchem.2026.109295

GCAN: A data feature learning method for scRNA-seq data

2026-08-01

0

PRE

AI

DOI：10.1016/j.compbiolchem.2026.109295

原文链接

原文求助

摘要

En 中文

引言：单细胞RNA测序（scRNA-seq）数据表现出极端稀疏性、技术噪声、复杂的非线性结构，阻碍了准确的生物学解释。当前方法未能充分建模细胞间关系，且在特征选择上存在不稳定性。目的：（1）在嘈杂的scRNA-seq数据中自动识别生物学相关特征，（2）建模多尺度细胞关系以实现鲁棒聚类，（3）提供可解释的表征以获得机制性见解。方法学：自适应高变基因（HVG）选择：改进随机森林以缓解dropout伪影。混合图自动编码器：融合图注意力网络（局部交互）和图卷积网络（全局邻域）。生物学信息优化：MMD正则化+Spearman相关特征过滤。结果：在17个scRNA-seq数据集上评估：实验中聚类性能优于CellVGAE（轮廓系数和戴维斯- Болдин指数），高变基因选择缓解了技术噪声同时增强了生物信号保留。结论：GCAN通过统一自适应特征选择与情境感知关系建模，为scRNA-seq分析建立了一种新范式。其架构实现了生物学相关特征的自适应筛选，并支持准确的细胞分型。

Keyword:

ScRNA-seq data

Variational auto-encoder

RandomForest

Graph Attention Network

GCAN: A data feature learning method for scRNA-seq data

摘要

期刊

机构

引用论文