Neues Lernverfahren verbessert unüberwachte Zelltypidentifikation

In einer wegweisenden Veröffentlichung präsentiert ein Forschungsteam ein neues Lernverfahren, das die unüberwachte Identifikation von Zelltypen in Einzelzell-Omikstudien deutlich verbessert.

Traditionelle Clustering‑Methoden konzentrieren sich meist ausschließlich auf die intrinsische Zellstruktur und vernachlässigen dabei die entscheidende Rolle von Zell‑Gen‑Assoziationen. Diese Einschränkung erschwert die Unterscheidung eng verwandter Zelltypen.

Das vorgestellte Refinement Contrastive Learning Framework (scRCL) integriert explizit Zell‑Gen‑Interaktionen. Durch zwei kontrastive Verteilungs‑Ausrichtungs‑Komponenten werden zuverlässige Zellstrukturen aus Zell‑Zell‑Beziehungen extrahiert, während ein Refiner‑Modul die Gen‑Korrelationen nutzt, um Zell‑Embeddings zu verfeinern und biologisch relevante Beziehungen zu stärken.

Umfangreiche Tests an mehreren Einzelzell‑RNA‑seq‑ und räumlichen Transkriptom‑Datensätzen zeigen, dass scRCL die Genauigkeit der Zelltypidentifikation gegenüber aktuellen Spitzenmethoden konsequent übertrifft. Weiterführende biologische Analysen bestätigen, dass die erkannten Zellpopulationen kohärente Gen‑Expressionsmuster aufweisen, was die biologische Relevanz des Ansatzes unterstreicht.

Der komplette Code ist frei verfügbar unter https://github.com/THPengL/scRCL.