简读分享 | 崔雅轩 编辑 | 龙文韬
论文题目
scCAN: single‑cell clustering using autoencoder and network fusion
论文摘要
单细胞RNA测序数据（scRNA-seq）的无监督聚类很重要，因为它允许我们识别不同的细胞类型。然而，大量的细胞（高达数百万个）、高维的数据（成千上万个的基因）和高dropout率都给单细胞分析带来了巨大的挑战。在这里，作者介绍了一种新的方法，利用自动编码器和网络融合（scCAN），可以克服这些在大型和稀疏的scRNA-seq数据中准确分离不同细胞类型的问题。在使用28个真实的scRNA-seq数据集（超过300万个细胞）和243个模拟数据集进行的广泛分析中，作者验证了scCAN：(1)正确估计真实细胞类型的数量，(2)准确地分离不同类型的细胞，(3)对dropout是鲁棒的。作者还将scCAN与 CIDR, SEURAT3, Monocle3, SHARP和SCANPY进行了比较。scCAN在准确性和可扩展性方面都优于这些算法。
论文链接
https://www.nature.com/articles/s41598-022-14218-6
