今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

scTrans-SVD:基于分层特异双视图的单细胞转录组有限标签细胞类型注释框架

《BioData Mining》:scTrans-SVD: dual-view learning with a low-rank representation for label-limited cell type annotation in single-cell transcriptomics

【字体: 大 中 小 】 时间:2026年09月20日 来源:BioData Mining 7.9

编辑推荐:

   摘要背景单细胞转录组学分析揭示了细胞异质性,但可靠的细胞类型标签通常仅适用于部分样本。这种现状促使研究者寻求能够利用无标签训练表达数据,同时将测得的基因表达作为直接预测输入的方法。结果我们开发了scTrans-SVD,这是一种用于标签有限条件下细胞类型注释的分层特异双视图框架

  

摘要

背景

单细胞转录组学分析揭示了细胞异质性,但可靠的细胞类型标签通常仅适用于部分样本。这种现状促使研究者寻求能够利用无标签训练表达数据,同时将测得的基因表达作为直接预测输入的方法。

结果

我们开发了scTrans-SVD,这是一种用于标签有限条件下细胞类型注释的分层特异双视图框架。一个视图保留测得的基因表达数据,另一个视图通过SVD初始化的伪Huber矩阵分解,仅从模型训练样本中学习低秩表示。来自两个视图的对齐基因子向量标记使用共享权重进行编码,并通过固定等权重logit融合进行组合。我们在13个公开的单细胞转录组学数据集的留出样本上评估了scTrans-SVD,使用了五个固定随机种子。在类别感知的10%总标签预算方案下(实际数据集均值,10.01–11.39%),scTrans-SVD达到了平均Macro-F1为0.8820的性能。七种比较方法的汇总值范围为0.2785至0.8442,在13个数据集中的9个上,scTrans-SVD的数据集均值高于所有七种比较方法。独立训练的仅使用测得输入的模型和仅使用MF重建输入的模型分别达到了0.8637和0.8665。完整的双视图模型在13个数据集中的12个上高于各单视图模型,在11个数据集上同时高于两者。分组留出、胰腺参考-查询和配对蛋白质模态分析进一步表征了性能和适用范围。

结论

scTrans-SVD将测得的表达数据与分层特异低秩视图相结合,利用无标签训练样本中的结构信息,同时防止留出样本影响矩阵分解过程。基准测试和独立单视图模式与在有限标签访问下结合两个视图可能带来益处的结论一致。这些发现表明,该框架可被考虑用于样本丰富但可信标签有限的封闭集转录组注释场景,而更广泛的跨研究和未知细胞类型评估仍是重要方向。

背景

单细胞转录组学分析揭示了细胞异质性,但可靠的细胞类型标签通常仅适用于部分样本。这种现状促使研究者寻求能够利用无标签训练表达数据,同时将测得的基因表达作为直接预测输入的方法。

结果

我们开发了scTrans-SVD,这是一种用于标签有限条件下细胞类型注释的分层特异双视图框架。一个视图保留测得的基因表达数据,另一个视图通过SVD初始化的伪Huber矩阵分解,仅从模型训练样本中学习低秩表示。来自两个视图的对齐基因子向量标记使用共享权重进行编码,并通过固定等权重logit融合进行组合。我们在13个公开的单细胞转录组学数据集的留出样本上评估了scTrans-SVD,使用了五个固定随机种子。在类别感知的10%总标签预算方案下(实际数据集均值,10.01–11.39%),scTrans-SVD达到了平均Macro-F1为0.8820的性能。七种比较方法的汇总值范围为0.2785至0.8442,在13个数据集中的9个上,scTrans-SVD的数据集均值高于所有七种比较方法。独立训练的仅使用测得输入的模型和仅使用MF重建输入的模型分别达到了0.8637和0.8665。完整的双视图模型在13个数据集中的12个上高于各单视图模型,在11个数据集上同时高于两者。分组留出、胰腺参考-查询和配对蛋白质模态分析进一步表征了性能和适用范围。

结论

scTrans-SVD将测得的表达数据与分层特异低秩视图相结合,利用无标签训练样本中的结构信息,同时防止留出样本影响矩阵分解过程。基准测试和独立单视图模式与在有限标签访问下结合两个视图可能带来益处的结论一致。这些发现表明,该框架可被考虑用于样本丰富但可信标签有限的封闭集转录组注释场景,而更广泛的跨研究和未知细胞类型评估仍是重要方向。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:单细胞转录组学|细胞类型注释|矩阵分解|低秩表示|双视图框架|半监督学习

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号