scFNSA: A Factorized Node-Set Attentive Framework for Single-Cell Multi-Omics Integration

Shoujia Jiang

doi:10.1021/acs.jcim.6c00448

scFNSA: A Factorized Node-Set Attentive Framework for Single-Cell Multi-Omics Integration

2026-04-28

0

PRE

AI

DOI：10.1021/acs.jcim.6c00448

原文链接

原文求助

摘要

En 中文

单细胞多组学技术能够同时解析转录和表观基因组状态，为解析细胞异质性和调控机制提供了强大手段。然而，由于数据极端稀疏、高维度和跨模态异质性，单细胞多组学数据的有效整合仍具挑战性，这常导致现有方法中相似性结构失真、信息丢失和生物学可解释性受限。本研究提出scFNSA（单细胞多组学数据整合分析的因子化节点集注意力框架），明确将模态特定特征学习与基于图的关联建模解耦。scFNSA首先通过多视图变分推断学习各模态的协同低维表示，随后借助结构化节点掩码的注意力引导图学习来建模复杂的细胞依赖关系。该设计在实现稳健跨模态结构对齐的同时，有效缓解了深度图神经网络中常见的噪声传播和过平滑问题。在多个单细胞多组学数据集中，scFNSA显著提升了整合表示质量和细胞类型分辨率，优于当前最优方法。通过将特征提取与关系推断解耦，scFNSA为单细胞多组学整合提供了稳健且可解释的框架，有助于更准确地表征细胞状态及潜在调控景观。

Keyword:

Cells

Chemical structure

Differentiation

Embedding

Genetics

scFNSA: A Factorized Node-Set Attentive Framework for Single-Cell Multi-Omics Integration

摘要

期刊

机构

引用论文