ترجمه فارسی مقاله scASDC: خوشه‌بندی عمیق ساختاری با توجه پیشرفته برای داده‌های توالی‌یابی RNA تک سلولی

چکیده

Single-cell RNA sequencing (scRNA-seq) data analysis is pivotal for understanding cellular heterogeneity. However, the high sparsity and complex noise patterns inherent in scRNA-seq data present significant challenges for traditional clustering methods. To address these issues, we propose a deep clustering method, Attention-Enhanced Structural Deep Embedding Graph Clustering (scASDC), which integrates multiple advanced modules to improve clustering accuracy and robustness.Our approach employs a multi-layer graph convolutional network (GCN) to capture high-order structural relationships between cells, termed as the graph autoencoder module. To mitigate the oversmoothing issue in GCNs, we introduce a ZINB-based autoencoder module that extracts content information from the data and learns latent representations of gene expression. These modules are further integrated through an attention fusion mechanism, ensuring effective combination of gene expression and structural information at each layer of the GCN. Additionally, a self-supervised learning module is incorporated to enhance the robustness of the learned embeddings. Extensive experiments demonstrate that scASDC outperforms existing state-of-the-art methods, providing a robust and effective solution for single-cell clustering tasks. Our method paves the way for more accurate and meaningful analysis of single-cell RNA sequencing data, contributing to better understanding of cellular heterogeneity and biological processes. All code and public datasets used in this paper are available at url{https://github.com/wenwenmin/scASDC} and url{https://zenodo.org/records/12814320}.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل توالی RNA تک سلولی (SCRNA-SEQ) تجزیه و تحلیل داده ها برای درک ناهمگونی سلولی محوری است.با این حال ، الگوهای پراکنده بالا و سر و صدای پیچیده ذاتی در داده های SCRNA-SEQ چالش های مهمی را برای روش های سنتی خوشه بندی ایجاد می کند.برای پرداختن به این موضوعات ، ما یک روش خوشه بندی عمیق ، خوشه بندی نمودار عمیق ساختاری با توجه به توجه (SCASDC) را پیشنهاد می کنیم ، که چندین ماژول پیشرفته را برای بهبود دقت و استحکام خوشه بندی ادغام می کند. رویکرد ما از یک شبکه حلقوی نمودار چند لایه (GCN) استفاده می کندروابط ساختاری مرتبه بالا بین سلول ها را ضبط کنید ، که به عنوان ماژول AutoEncoder Graph نامیده می شوند.برای کاهش مسئله overmoothing در GCN ، ما یک ماژول AutoEncoder مبتنی بر ZINB را معرفی می کنیم که اطلاعات محتوا را از داده ها استخراج می کند و بازنمایی های نهفته بیان ژن را می آموزد.این ماژول ها بیشتر از طریق مکانیسم همجوشی توجه ادغام می شوند و از ترکیب مؤثر بیان ژن و اطلاعات ساختاری در هر لایه GCN اطمینان می دهند.علاوه بر این ، یک ماژول یادگیری خود سنج برای تقویت استحکام تعبیه های آموخته شده درج شده است.آزمایش های گسترده نشان می دهد که SCASDC از روشهای پیشرفته و پیشرفته ای بهتر عمل می کند و یک راه حل قوی و مؤثر برای کارهای خوشه بندی تک سلولی ارائه می دهد.روش ما راه را برای تجزیه و تحلیل دقیق تر و معنی دار تر از داده های توالی RNA تک سلولی هموار می کند و به درک بهتر ناهمگونی سلولی و فرآیندهای بیولوژیکی کمک می کند.کلیه کد و مجموعه داده های عمومی مورد استفاده در این مقاله در url {https://github.com/wenwenmin/scasdc} و url {https://zenodo.org/records/12814320} موجود است.