《Computational Biology and Chemistry》：scDGG: Dynamic gene graphs for enhancing clustering analysis of single-cell RNA sequencing data via spatiotemporal representations
編輯推薦：
單細胞 RNA 測序（scRNA-seq）數據復雜，現有分析方法存在局限。研究人員開展 scDGG 框架研究，以利用基因動態信息。結果顯示該框架優于傳統方法，能有效聚類細胞。這為單細胞分析提供新途徑，助力解析細胞異質性。
在生命科學的微觀世界里，單細胞 RNA 測序（scRNA-seq）技術宛如一把神奇的鑰匙，開啟了深入探索細胞奧秘的大門。它能精確測量單個細胞的基因表達水平，讓科學家得以窺探細胞間的差異，為理解生物過程和疾病機制提供了前所未有的視角。然而，這把鑰匙也遇到了難題。scRNA-seq 數據極為復雜，存在細胞類型多樣、細胞狀態動態變化以及受微環境影響等情況，這使得傳統分析方法在處理這些數據時力不從心。
傳統機器學習方法在提取 scRNA-seq 數據特征時效率低下，難以辨別其中復雜的模式。而新興的深度學習框架，像圖神經網絡（GNNs）和基于 Transformer 的模型，雖然取得了一定進展，但仍存在不足，多數方法沒有充分考慮基因 - 基因之間的相互作用，在細胞注釋任務中表現欠佳。此外，基于靜態基因圖的分析方法，雖然在表示基因相互作用網絡方面有一定成果，但無法適應不同生物環境下基因相互作用的動態變化，面對時間異質性數據時分析能力不足。
為了攻克這些難題，來自國內的研究人員開展了一項意義重大的研究。他們提出了一種名為 scDGG（Dynamic gene graphs for enhancing clustering analysis of single - cell RNA sequencing data via spatiotemporal representations）的多視圖圖學習架構。該研究旨在通過提取和利用動態基因圖，更全面地觀察細胞內的調控機制，從而提升單細胞聚類分析的準確性。
研究人員得出的結論令人振奮。實驗結果表明，scDGG 方法在處理基準 scRNA-seq 數據集時，展現出了卓越的性能，優于那些采用深度學習架構的當前最優（SOTA）單細胞聚類方法。這意味著 scDGG 為單細胞分析領域帶來了新的突破，為深入理解細胞的奧秘提供了更強大的工具，有助于推動生物醫學研究的發展，在疾病診斷、治療靶點發現等方面具有潛在的重要應用價值。該研究成果發表在《Computational Biology and Chemistry》上。
在研究過程中，研究人員主要運用了以下關鍵技術方法：首先，從多個途徑數據集推斷動態基因圖，以此捕捉不同生物環境下基因共表達網絡的動態變化。其次，采用基于 Louvain 算法的動態模塊學習方法進行時空特征融合，在迭代劃分基因模塊的同時提取其空間分布特征。最后，利用多視圖學習架構壓縮基因網絡的動態空間特征，通過網絡凝聚力識別強連接的調控模塊。研究使用的 scRNA-seq 數據集均來自 NCBI 基因表達數據庫（GEO）和 10X Genomics 平臺，途徑數據集主要來源于
https://github.com/GaoLabXDU/sciPath和
https://github.com/Kevis9/scPML。
單細胞聚類方法基礎
單細胞聚類的主要目標是借助深度網絡準確、定量地分析細胞表達的異質性，重點關注 RNA 表達水平的變化。細胞類型在不同時間點或發育階段的比例差異，為后續分析細胞分化軌跡提供了關鍵支持。
基于多視圖學習的 scDGG
此部分聚焦于視圖特定表示之間的關系，研究 scDGG 框架內嵌入的時空動態。在 scDGG 中，圖結構數據和時間特征分別代表空間和時間模式，這兩種視圖特定表示在共享潛在空間中協調，以確定聯合潛在表示。scDGG 通過多途徑協作實現動態表示學習，無需明確時間戳，適用于靜態單細胞轉錄組數據，并利用雙通道注意力機制協同學習時空特征，解決 scRNA-seq 數據的異質性問題。
跨平臺單細胞聚類
研究人員使用 scDGG 對多個 scRNA-seq 數據集進行聚類任務，以探索細胞異質性。這些數據集均來自 NCBI 的 GEO 數據庫和 10X Genomics 平臺。研究結果表明，scDGG 能夠有效整合不同平臺的數據，準確識別細胞類型，展現出其在跨平臺單細胞分析中的優勢。
研究結論和討論
scRNA-seq 技術雖然能提供單個細胞的轉錄表達信息，但組織分離步驟會破壞源組織的空間組成信息，且數據存在異質性、高維性和噪聲等問題，使得靜態圖和單視圖難以充分捕捉有效信息。而 scDGG 框架通過提取動態基因圖，結合時空特征融合和多視圖學習，成功克服了這些問題，在單細胞聚類分析中表現出色。這一研究成果為單細胞分析提供了新的思路和方法，有助于更深入地理解細胞的功能和調控機制，在生物醫學研究領域具有廣闊的應用前景。它不僅能夠幫助科學家更準確地識別細胞亞型，還可能為疾病的早期診斷和個性化治療提供關鍵依據，推動生命科學和健康醫學的進一步發展。
