[Bioinformatics | 论文解读] 基于生成对抗网络的单细胞半监督注释和降维框架

简读分享 | 于浩清 编辑 | 王宇哲

论文题目

scSemiGAN: a single-cell semi-supervised annotation and dimensionality reduction framework based on generative adversarialnetwork

论文摘要

细胞类型注释在单细胞RNA-seq（scRNA-seq）数据分析中起着至关重要的作用。随着越来越多的注释良好的scRNA-seq参考数据公开可用，自动标签转移算法比基于手动标记基因的注释方法越来越受欢迎。然而，现有的大多数方法都无法将细胞类型注释与降维统一起来。在本文中，作者提出了一种基于生成对抗网络的半监督细胞类型注释和降维框架scemiGAN，从数据生成方面对scRNA-seq数据进行建模。本文提出的scSemiGAN能够同时执行深度潜在表示学习和细胞类型标签预测。通过在各种模拟和真实的scRNA-seq数据集上与四种最先进的注释方法进行比较，scSemiGAN在多个下游任务（包括细胞类型注释，潜在表示可视化，混杂因子去除和富集分析）中实现了具有竞争性的性能。

论文链接

https://doi.org/10.1093/bioinformatics/btac652