Graph-Embedded Deep Generative Clustering for Single-Cell Multi-Omics Data Integration

Cheng Liang

doi:10.1109/TPAMI.2026.3667525

Graph-Embedded Deep Generative Clustering for Single-Cell Multi-Omics Data Integration

2026-02-24

0

PRE

AI

DOI：10.1109/TPAMI.2026.3667525

原文链接

原文求助

摘要

En 中文

测序技术的进步产生了前所未有的单细胞多组学数据量，为生物发现和医学研究提供了新的机会。然而，由于不同组学类型间存在高度异质性，有效整合单细胞多组学数据仍是一项关键挑战。现有方法通常忽略细胞间的图结构信息，或依赖额外知识构建细胞图，导致性能欠佳且可能限制实际应用价值。本研究提出了一种新颖的图嵌入深度生成聚类模型（GeDGC）用于单细胞多组学数据整合。具体而言，GeDGC通过利用高斯混合模型，同时学习多组学间的共享潜在表示和聚类因子。此外，我们对潜在表示和聚类分配均施加图嵌入约束，以确保保留细胞间固有的局部数据结构。结果，我们的模型捕获了跨组学的复杂相关性，并为下游任务获得了信息丰富的共享潜在嵌入。在十个数据集上与十七种竞争方法进行的广泛实验结果证实了GeDGC在单细胞多组学数据整合方面的优越性。

Keyword:

Single-cell multi-omics

graph embedding

generative clustering

Graph-Embedded Deep Generative Clustering for Single-Cell Multi-Omics Data Integration

摘要

期刊

机构

引用论文