换一批基于图注意力网络(GAT)的单细胞类型注释方法研究
Research on Cell-type Annotation Method for Single-cell Data Based on Graph Attention Network(GAT)
摘要单细胞转录组测序(single-cell RNA sequencing,scRNA-seq)在揭示细胞异质性方面具有重要意义,但现有细胞类型注释方法存在着跨物种适应性、泛化性、类别不平衡等问题.本文提出了一种基于图注意力网络(graph attention network,GAT)的细胞类型注释方法ScLabeler.该方法通过结合类别均衡优化策略和图注意力机制,增强了细胞间复杂关系的捕捉,提升了注释的精确度.实验结果表明,ScLabeler在人类(Homo sapiens)、小鼠(Musmusculus)、斑马鱼(Danio rerio)等多物种数据集上的细胞类型注释效果相比Seurat、ScGCN等方法都更为优异,注释的准确率提高了 4.62％～35.76％,F1分数提高了 5.21％～39.73％;另外注释的结果证明了 ScLabeler在细胞类型低丰度识别方面[斑马鱼组织调整兰德指数(adjusted rand index,ARI)提高了 9个百分点]与对其他物种泛化性方面[归一化互信息(normalized mutual information,NMI)提升幅度达到11.76％～123.53％]有显著提升.此外,通过UMAP和Sankey图等可视化工具,直观展示了细胞类型分布及预测一致性,为单细胞组学研究提供了高效的注释工具.ScLabeler源码可在https://github.com/bioinfolabdev/ScLabeler下载.
更多相关知识
关键词
图注意力网络(GAT)单细胞转录组测序(scRNA-seq)细胞类型注释类别不平衡Graph attention network(GAT)Single-cell RNA sequencing(scRNA-seq)Cell-type annotationClass imbalance
栏目名称
DOI
10.13417/j.gab.044.000561
发布时间
2025-07-31（万方平台首次上网日期，不代表论文的发表时间）
基金项目
科技部青年重点研发项目（2024YFD2402300）
- 浏览5
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
