scSCC：一种基于交换对比学习的单细胞基因表达数据聚类方法

　　

细胞聚类是转录组数据分析中的一项关键任务，在细胞类型注释、标记基因识别和稀有细胞群的发现中发挥着至关重要的作用。随着单细胞RNA测序（scRNA-seq）技术的进步，准确的无监督聚类可以显著减少细胞类型注释所需的人工工作量，对于揭示新的生物学见解至关重要。

近日，中国地质大学李宏伟团队在 《定量生物学》杂志发表题为“scSCC：一种基于交换对比学习的单细胞基因表达数据聚类方法”的研究文章， 提出了一种结合实例对比学习和交换对比学习的单细胞基因表达数据聚类方法。

研究团队开发了scSCC（Swapped Contrastive Clustering for scRNA-seq Data，单细胞RNA序列数据交换对比聚类）框架，该框架利用实例对比模块学习细胞表征，并结合交换预测策略将聚类信号注入嵌入空间，从而提升了细胞聚类任务的性能。在真实数据集上的全面实验表明，scSCC在大多数情况下能够获得更准确、更合理的聚类性能。通过将细胞表征投影到二维t分布随机邻域嵌入（t-SNE）空间，scSCC的结果在不同聚类之间形成了清晰的边界，并反映了更易于分离的结构。与简化版scSCC相比，整个scSCC模型取得了最佳的综合性能，体现了交换预测模块的有效性。