基于自监督的单细胞ATAC-seq数据智能聚类算法

摘要

单细胞水平的染色质可及性测序技术(scATAC-seq)在研究表观遗传景观中的细胞异质性方面显示出巨大的潜力。针对scATAC-seq数据高稀疏性和高维度的特点，提出了一种基于自监督的单细胞ATAC-seq数据智能聚类算法。首先，通过两个并行的编码器对原始数据进行特征选择和特征增强以获得低维且有效的嵌入表示。然后，利用聚类模块生成的伪标签和分类网络的分类结果构建分类损失，实现自监督学习。最后，使用谱聚类算法对嵌入表示进行聚类。对比实验结果表明，该算法在4个数据集和3个评价指标上优于大部分对比算法。参数敏感性实验和收敛性实验进一步验证了所提算法的鲁棒性和快速收敛的能力。

关键词

聚类 / 自监督 / scATAC-seq / 深度神经网络