编辑推荐：
单细胞 RNA 测序（scRNA-seq）数据复杂，现有分析方法存在局限。研究人员开展 scDGG 框架研究，以利用基因动态信息。结果显示该框架优于传统方法，能有效聚类细胞。这为单细胞分析提供新途径，助力解析细胞异质性。
在生命科学的微观世界里，单细胞 RNA 测序（scRNA-seq）技术宛如一把神奇的钥匙，开启了深入探索细胞奥秘的大门。它能精确测量单个细胞的基因表达水平，让科学家得以窥探细胞间的差异，为理解生物过程和疾病机制提供了前所未有的视角。然而，这把钥匙也遇到了难题。scRNA-seq 数据极为复杂，存在细胞类型多样、细胞状态动态变化以及受微环境影响等情况，这使得传统分析方法在处理这些数据时力不从心。
传统机器学习方法在提取 scRNA-seq 数据特征时效率低下，难以辨别其中复杂的模式。而新兴的深度学习框架，像图神经网络（GNNs）和基于 Transformer 的模型，虽然取得了一定进展，但仍存在不足，多数方法没有充分考虑基因 - 基因之间的相互作用，在细胞注释任务中表现欠佳。此外，基于静态基因图的分析方法，虽然在表示基因相互作用网络方面有一定成果，但无法适应不同生物环境下基因相互作用的动态变化，面对时间异质性数据时分析能力不足。
为了攻克这些难题，来自国内的研究人员开展了一项意义重大的研究。他们提出了一种名为 scDGG（Dynamic gene graphs for enhancing clustering analysis of single - cell RNA sequencing data via spatiotemporal representations）的多视图图学习架构。该研究旨在通过提取和利用动态基因图，更全面地观察细胞内的调控机制，从而提升单细胞聚类分析的准确性。
研究人员得出的结论令人振奋。实验结果表明，scDGG 方法在处理基准 scRNA-seq 数据集时，展现出了卓越的性能，优于那些采用深度学习架构的当前最优（SOTA）单细胞聚类方法。这意味着 scDGG 为单细胞分析领域带来了新的突破，为深入理解细胞的奥秘提供了更强大的工具，有助于推动生物医学研究的发展，在疾病诊断、治疗靶点发现等方面具有潜在的重要应用价值。该研究成果发表在《Computational Biology and Chemistry》上。
在研究过程中，研究人员主要运用了以下关键技术方法：首先，从多个途径数据集推断动态基因图，以此捕捉不同生物环境下基因共表达网络的动态变化。其次，采用基于 Louvain 算法的动态模块学习方法进行时空特征融合，在迭代划分基因模块的同时提取其空间分布特征。最后，利用多视图学习架构压缩基因网络的动态空间特征，通过网络凝聚力识别强连接的调控模块。研究使用的 scRNA-seq 数据集均来自 NCBI 基因表达数据库（GEO）和 10X Genomics 平台，途径数据集主要来源于
https://github.com/GaoLabXDU/sciPath和
https://github.com/Kevis9/scPML。
单细胞聚类方法基础
单细胞聚类的主要目标是借助深度网络准确、定量地分析细胞表达的异质性，重点关注 RNA 表达水平的变化。细胞类型在不同时间点或发育阶段的比例差异，为后续分析细胞分化轨迹提供了关键支持。
基于多视图学习的 scDGG
此部分聚焦于视图特定表示之间的关系，研究 scDGG 框架内嵌入的时空动态。在 scDGG 中，图结构数据和时间特征分别代表空间和时间模式，这两种视图特定表示在共享潜在空间中协调，以确定联合潜在表示。scDGG 通过多途径协作实现动态表示学习，无需明确时间戳，适用于静态单细胞转录组数据，并利用双通道注意力机制协同学习时空特征，解决 scRNA-seq 数据的异质性问题。
跨平台单细胞聚类
研究人员使用 scDGG 对多个 scRNA-seq 数据集进行聚类任务，以探索细胞异质性。这些数据集均来自 NCBI 的 GEO 数据库和 10X Genomics 平台。研究结果表明，scDGG 能够有效整合不同平台的数据，准确识别细胞类型，展现出其在跨平台单细胞分析中的优势。
研究结论和讨论
scRNA-seq 技术虽然能提供单个细胞的转录表达信息，但组织分离步骤会破坏源组织的空间组成信息，且数据存在异质性、高维性和噪声等问题，使得静态图和单视图难以充分捕捉有效信息。而 scDGG 框架通过提取动态基因图，结合时空特征融合和多视图学习，成功克服了这些问题，在单细胞聚类分析中表现出色。这一研究成果为单细胞分析提供了新的思路和方法，有助于更深入地理解细胞的功能和调控机制，在生物医学研究领域具有广阔的应用前景。它不仅能够帮助科学家更准确地识别细胞亚型，还可能为疾病的早期诊断和个性化治疗提供关键依据，推动生命科学和健康医学的进一步发展。
