DIC: Deep Imputing and Clustering Single Cell RNA Sequencing Data
Notice bibliographique
Résumé
It is notorious that single-cell RNA sequencing (scRNA-seq) data contain a significant number of missing values due to technical variability. The issue of missing values presents a major challenge in scRNA-seq analysis, especially, complicating the identification of cell types via clustering. To address this issue, various methods have been developed to impute the missing data in scRNA-seq clustering. Most methods first impute missing expression values and then cluster scRNA-seq data. However, these approaches often fail to fully exploit the biologically meaningful cluster structures while imputing missing values. In this study, we propose DIC, a deep neural network with the Y-structure that collaboratively imputes and clusters scRNA-seq data. The Y-structure of DIC is formed by an autoencoder with an extra branch attached to its code layer. Therefore, DIC is divided into three modules: a base module (encoder), an imputation module (decoder) and a clustering module (extra branch). The imputation module and the clustering module work together to perform missing data imputation and cell clustering using deeply learned features from the base module. During the model training process, the cluster structure information is used for missing data imputation while the imputation module enhances the clustering performance by generating more accurately recovered missing data. Our experimental results illustrate that DIC is effective in both imputing missing data and identifying cell types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».