MOH: A Novel Multilayer Multi-Omics Heterogeneous Graph for Single-Cell Clustering
Notice bibliographique
Résumé
Cell clustering is crucial in single-cell multi-omics research for identifying distinct cellular populations. Although there has been progress in integrating multi-omics data for clustering, combining more than two types of omics data remains challenging due to the diversity and heterogeneity of these datasets. Traditional approaches typically use heterogeneous graphs that integrate only two types of omics data, constructing graphs with genes and cells as nodes and a single type of edge representing their relationships. However, this method has limitations as it overlooks cell-cell interactions and struggles to capture complex cellular dynamics. Additionally, the graph structure must be redesigned whenever new omics data are introduced, limiting the scalability of these models. To address these issues, we introduce MOH, a novel single-cell clustering algorithm based on a multilayer multi-omics heterogeneous graph. MOH integrates three key single-cell omics types: scRNA-seq, scATAC-seq, and spatial transcriptomics. It constructs a multilayer heterogeneous graph to simultaneously extract and enhance representations from all three omics layers, incorporating both intra-layer and inter-layer edges to capture association and similarity relationships. This enriched representation leads to an accurate clustering results. Extensive experiments show that MOH outperforms six state-of-the-art methods on unsupervised clustering metrics, offering a precise and comprehensive analysis with consistent improvements across all evaluation criteria. Moreover, downstream analyses validate the results, revealing novel biological insights into immune disorder complications in cancer, cancer drug repurposing, and new signaling pathways, which merit further investigation and validation.
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 | 0,001 | 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 ».