.png){kind=icon}
返回
scMID: A Deep Multi-Omics Integration Framework for Comprehensive Single-Cell Data Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/TCBBIO.2025.3624040.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单细胞生物学研究在近年来取得了显著进展，其中下游分析在揭示细胞功能与机制方面发挥着关键作用。传统的单细胞分析主要依赖单组学数据（如单细胞RNA测序），存在固有局限性。这些方法仅能捕捉细胞信息的单一维度，忽略不同分子层间的复杂相互作用，因而易在结果中引入偏差。单细胞多组学测序技术的出现彻底改变了这一领域。通过整合转录组学、表观基因组学和蛋白质组学等多样化的分子图谱，这些技术为细胞功能提供了更全面的视角。然而，现有的整合方法往往难以应对多组学数据的复杂性和异质性，限制了其在深度单细胞研究中的应用。本研究提出了一种基于单细胞多组学数据整合与缺失模式的分析方法（scMID）。具体而言，scMID利用组学无关的深度自编码器对齐多组学数据，采用GCN算法进行数据整合，并通过结合二值化缺失模式获得的基因相似性计算基因重要性。同时，scMID提出了一种双策略特征基因筛选方法，旨在识别与参考数据结构特征高度匹配且生物学意义显著的基因。实验结果表明，scMID显著提升了下游分析中单细胞聚类的准确性，突破了传统特征选择方法的局限，为解码复杂生物信息提供了更优的分析框架。
Keyword:
Single-cell RNA sequencing, feature selection
clustering, single-cell data analysis, deep learning
期刊
I
IF:
0
论文数:
151
被引数:
0
机构
引用论文
High-throughput sequencing of the transcriptome and chromatin accessibility in the same cell.png)
NATURE BIOTECHNOLOGY
OAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏scHiClassifier: a deep learning framework for cell type prediction by fusing multiple feature sets from single-cell Hi-C datascHiClassifier: 一种通过融合单细胞Hi-C数据中的多个特征集进行细胞类型预测的深度学习框架
OAAI
OAAI分享收藏Single-cell transcriptomes identify human islet cell signatures and reveal cell-type specific expression changes in type 2 diabetesGENOME RESEARCHOAAI
GENOME RESEARCHIF5.5
OAAI分享收藏geneBasis: an iterative approach for unsupervised selection of targeted gene panels from scRNA-seqGENOME BIOLOGYOAAI
GENOME BIOLOGYIF9.4
OAAI分享收藏scMNMF: a novel method for single-cell multi-omics clustering based on matrix factorizationscMNMF: 一种基于矩阵分解的单细胞多组学聚类新方法OAAI
OAAI分享收藏分享收藏Heterogeneity in Oct4 and Sox2 Targets Biases Cell Fate in 4-Cell Mouse Embryos EDITORIAL COMMENTOAAI
OAAI分享收藏
查看更多内容