文章题目：scBGEDA: Deep Single-cell Clustering Analysis via a Dual Denoising Autoencoder with Bipartite Graph Ensemble Clustering
发表杂志：Bioinformatics
发表时间：2023年2月3日
通讯作者：Xiangtao Li
原文链接: https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btad075/7025496
软件链接：https://github.com/wangyh082/scBGEDA
数据文件: https://figshare.com/articles/software/scBGEDA/19657911
动机
细胞类型聚类是单细胞数据分析的第一个关键任务，这有助于准确的识别细胞类型和研究转录本的特征。最近基于deep autoencoder和 the ensemble clustering计算模型的开发，已经被用来分析scRNA-seq数据。然而deep autoencoder不足以学习scRNA-seq数据潜在的表示，并且从这些表示中获得的共识分区仍为获得充分探索。
结果
为了解决这一问题，作者提出了一个深度单细胞聚类模型，二部图集合聚类的双去噪自编码器（ a dual denoising autoencoder with bipartite graph ensemble clustering called scBGEDA），在单细胞转录组谱中鉴定特定的细胞群。
- 首先，单细胞双去噪自编码器将数据映射压缩的低维度空间，通过zero-inflated negative binomial (ZINB)重建损失和去噪重建损失的协同优化的显示建模来
学习特种表示。 - 然后，通过 means of a graph-based consensus function，利用the relationships between cells and the learned latent embedded space设计a bipartite graph ensemble clustering algorithm
scBGEDA可以鉴定细胞类型特异的marker基因，通过量化基因对cell clusters的影响，分析基因功能。实现从不同角度鉴定细胞类型。