scDNM-VAE 通过有符号树突门控实现对单细胞 RNA-seq 数据的可直接检查深度聚类
scDNM-VAE enables directly inspectable deep clustering of single-cell RNA-seq data through signed dendritic gating
预印本 · 尚未经过同行评审
scDNM-VAE 用可学习的有符号突触权重和阈值实现可直接检查的聚类决策，在四个数据集上表现与 scVI 互有优劣。
单细胞 RNA 测序的深度聚类模型通常通过难以检查的潜在机制或基于质心的机制来分配细胞。我们提出 scDNM-VAE（单细胞树突神经元模型变分自编码器），这是一个深度聚类框架，将变分自编码器与受树突神经元启发的头部相结合。聚类分配由可学习的带符号突触权重和阈值控制：权重符号决定门控对潜在坐标响应的方向，其幅度控制陡峭程度，而权重-阈值对决定转换位置。因此，训练后的聚类函数可以直接检查，而无需拟合事后解释模型。我们在涵盖免疫、皮层、心脏和造血细胞的四个数据集上对 scDNM-VAE 进行基准测试，对比 scVI 后接 KMeans 以及 MLP-DEC 消融。scDNM-VAE 在 PBMC3k 上表现优于 scVI，在 Human Heart Cell Atlas 和 Paul15 上表现相当，在 Zeisel 上表现较差，同时产生生物学上连贯的标记基因特征。消融每个聚类中幅度最高的三个突触维度，在所有数据集上导致的重新分配在数值上大于随机维度消融，但差距不大，且在 Zeisel 上可忽略不计。这些结果表明，带符号的树突门控支持具有参数可检查决策函数的竞争性聚类，同时表明决策相关信息分布在潜在空间中。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Quantitative Methods · arxiv.org