scDAEC：融合零膨胀负二项去噪自编码器与图自编码器的单细胞RNA测序无监督聚类框架

《BMC Genomics》：scDAEC: deep clustering of single-cell data based on dual autoencoder

摘要

单细胞RNA测序（scRNA-seq）提供了高分辨率的转录组图谱，用于解析细胞异质性，但由于基因表达矩阵稀疏、含噪且受 dropout 事件影响，准确聚类仍然困难。现有的深度聚类模型往往侧重于基因表达重建或细胞间结构学习，这可能限制了它们同时考虑基因表达稀疏性和保持细胞拓扑结构的能力。在此，我们提出了scDAEC，一个用于scRNA-seq数据无监督聚类的双自编码器框架。scDAEC采用基于自适应零膨胀负二项分布（ZINB）的去噪自编码器（DAE）来建模基因表达不确定性，并结合图自编码器（GAE）学习具有拓扑感知能力的细胞表示。动态组合多头注意力（DCMHA）模块随后整合去噪后的基因表达嵌入和基于图的嵌入，以进行聚类优化。在13个真实scRNA-seq数据集上的实验表明，与其他代表性方法相比，scDAEC在聚类准确性和性能稳定性方面均有提升。基于数据集级别的平均结果，scDAEC的总体平均调整兰德指数（ARI）和归一化互信息（NMI）值分别为0.864和0.859。与最强的竞争方法相比，scDAEC将平均ARI和NMI分别提高了10.79%和10.96%。源代码可在https://github.com/chanDaniel-cc/scDAEC获取。