基于scDFC和IMSAT融合的单细胞 RNA 测序数据分析

基于scDFC和IMSAT融合的单细胞RNA测序数据分析1. 引言单细胞RNA测序（scRNA-seq）技术能够在单细胞水平上解析基因表达谱，为研究细胞异质性、发育轨迹和疾病机制提供了前所未有的分辨率。scRNA-seq数据的核心分析任务之一是细胞聚类，即将具有相似表达模式的细胞归为同一类型，从而揭示细胞亚群。然而，scRNA-seq数据具有高维度、稀疏性和噪声大等特点，传统聚类方法（如K-means、层次聚类）往往难以取得理想效果。近年来，深度学习方法被广泛应用于单细胞数据分析，其中深度聚类（Deep Clustering）和自注意力机制（Self-Attention）展现出强大的表征学习能力。scDFC（single-cell Deep Fusion Clustering）是一种结合自编码器和聚类损失的深度聚类方法，能够同时学习低维特征和聚类分配。IMSAT（Iterative Multi-view Self-Attention Transformer）则通过多视图自注意力机制融合不同视角下的数据表示，捕捉复杂的跨视图依赖关系。将二者融合，有望进一步提升单细胞聚类的准确性和鲁棒性。本文提出一种融合scDFC和IMSAT的深度聚类框架，旨在利用自编码器提取紧凑特征，并通过多视图自注意力模块整合不同基因模块或降维视图的信息，最后联合优化重构损失、聚类损失和一致性损失。我们在公开的单细胞RNA测序数据集上验证了所提方法的有效性，并通过详细的代码实现和实验分析展示了其优越性。2. 相关工作