.png){kind=icon}
返回
TriPDCL: A Tri-Pathway Prototype-Driven Contrastive Learning Framework for Cross-Modality Single-Cell Integration
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.6c00436.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单细胞测序技术的快速发展为多组学数据整合奠定了坚实基础。多组学整合的一个核心目标是减弱由技术批次效应和固有生物学变异性引起的跨组学差异，从而促进形成支持鲁棒下游分析的统一潜在表征。然而，单细胞数据的内在高稀疏性以及显著的细胞间异质性给联合分析带来了更大的挑战。我们突出了细胞异质性，并提出了一种基于原型的对比学习框架TriPDCL，该框架不仅能通过迭代原型学习更新机制实现异质性信息的有效传递，而且通过利用可学习的原型中心，能够精确构建可靠的正负样本对。它解决了多组学分析中的两个主要挑战，即跨模态异质性的对齐和鲁棒学习问题。随后，在五个数据集上与七种代表性方法的对比评估表明，所提出的方法具有优越性。
Keyword:
Chemical structure
Embedding
Genetics
Physical and chemical properties
Sequence alignment
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
scNCL: transferring labels from scRNA-seq to scATAC-seq data with neighborhood contrastive regularizationscNCL: 通过邻域对比正则化将标签从单细胞RNA测序数据迁移到单细胞ATAC测序数据
OAAI
OAAI分享收藏Single-cell analysis identifies dynamic gene expression networks that govern B cell development and transformation单细胞分析确定控制b细胞发育和转化的动态基因表达网络.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏scSHEFT enables multiomics label transfer from scRNA-seq to scATAC-seq through dual alignmentGenome Research
Genome ResearchIF5.5
PREAI
分享收藏A comparison of integration methods for single‐cell RNA sequencing data and ATAC sequencing data
PREAI
分享收藏Benchmarking algorithms for single-cell multi-omics prediction and integrationNATURE METHODS
NATURE METHODSIF32.1
PREAI
分享收藏scMMO-atlas: a single cell multimodal omics atlas and portal for exploring fine cell heterogeneity and cell dynamicsNUCLEIC ACIDS RESEARCHOAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏
查看更多内容