大阳城集团娱乐游戏院讯（通讯员：田圣文）近日，生物信息领域国际顶级期刊IEEE Journal of Biomedical and Health Informatics接收公司学术论文（Sheng-Wen Tian, Jian-Cheng Ni, Yu-Tian Wang, Chun-Hou Zheng and Cun-Mei Ji. scGCC: Graph Contrastive Clustering with Neighborhood Augmentations for scRNA-seq Data Analysis, 2023）。该论文以大阳城集团娱乐游戏为第一完成单位，2021级研究生田圣文为论文第一作者，倪建成教授和嵇存美副教授为论文共同通讯作者。IEEE Journal of Biomedical and Health Informatics是中科院1区TOP期刊，最新影响因子为7.7。

在scRNA-seq数据分析中，细胞聚类是下游分析的关键步骤，因为它使我们能够识别细胞类型并发现新的细胞亚型。然而，scRNA-seq数据的特性，如高维度、稀疏性、dropout事件和批次效应，为聚类分析带来了显著的计算挑战。在本研究中，我们提出了scGCC，一种新颖的图自监督对比学习模型，以解决scRNA-seq数据分析中面临的挑战。scGCC包括两个主要组件：表示学习模块和聚类模块。首先，将scRNA-seq数据输入表示学习模块进行训练，然后通过聚类模块进行数据分类。scGCC可以学习低维去噪嵌入，这对我们的聚类任务非常有优势。我们引入了图注意力网络(GAT)进行细胞表示学习，从而实现更好的特征提取和提高聚类准确性。此外，我们提出了五种数据增强方法，通过增加数据多样性和减少过拟合来提高聚类性能。这些方法增强了聚类结果的鲁棒性。我们对14个真实世界数据集进行了实验研究，结果表明我们的模型在准确性和鲁棒性方面表现出色。我们还进行了下游任务，包括批次效应去除、轨迹推断和标记基因分析，以验证我们模型的生物学有效性。

全文链接：https://doi.org/10.1109/JBHI.2023.3319551

该研究得到了国家自然科学基金的资助支持。