基于零膨胀负二项分布与图注意力变分自编码器的单细胞RNA测序数据聚类方法scZIGVAE研究

为解决单细胞RNA测序(scRNA-seq)数据高维度、高噪声及缺失值问题，研究人员开发了基于零膨胀负二项分布(ZINB)与图注意力变分自编码器(scZIGVAE)的深度聚类模型。该研究通过联合优化ZINB损失与细胞图重构损失，显著提升聚类性能，在12个数据集测试中超越现有技术，为细胞类型鉴定及下游分析提供新工具。

　　

单细胞RNA测序(scRNA-seq)技术如同打开细胞世界的显微镜，让科学家能捕捉每个细胞的基因表达指纹，揭示稀有细胞亚群和微环境动态变化。然而，数据中的"技术噪音"——高维度、高零值(称为dropout事件)和复杂拓扑结构，让传统聚类算法频频"失焦"。

这项研究亮出"双剑合璧"的新武器：将零膨胀负二项分布(ZINB)模型与图注意力变分自编码器(VGAE)熔铸成scZIGVAE框架。ZINB如同精准的"缺失值修补匠"，专门对付scRNA-seq中过度零值问题；而图注意力机制则化身"细胞社交网络分析师"，通过捕捉细胞间非线性相互作用重构基因表达图谱。

模型训练时上演"左右互搏"——ZINB损失函数负责校正数据分布，图重构损失则优化拓扑表达，最终输出的潜空间表征让细胞聚类效果如同经过"棱镜分光"般清晰。更妙的是自优化聚类模块，像不断校准的"指南针"，动态调整聚类中心位置。在12个跨平台数据集测试中，scZIGVAE的聚类精度全面碾压现有方法，尤其在识别稀有细胞群时表现惊艳。

这项突破不仅为单细胞分析装上"涡轮引擎"，其ZINB-VGAE耦合架构更为处理高稀疏生物数据提供了新范式。未来或可拓展至空间转录组、免疫组库分析等领域，开启"细胞宇宙"探索的新航路。