来自中国科学院、东北农业大学、澳门大学与吉林大学的研究团队联合提出了一种用于解读单细胞 RNA-seq 数据的新型孪生聚类框架 scSiameseClu，能 够有效缓解表征坍塌问题，实现更清晰的细胞群体分类，为 scRNA-seq 数据的分析提供了强大的工具。 在生命科学的进程中，过去的重点常常放在「群体」水平。通过传统的普通转录组测序（Bulk RNA-Seq），我们能够得到群体细胞的平均基因表达，但 这意味着一些稀有细胞的特征可能被掩盖。如今，研究者越来越希望能听见「单个」细胞的声音。 单细胞 RNA 测序（scRNA-seq）正是这样一种革命性技术，它能在细胞群体的喧嚣中，捕捉单个细胞的全面遗传信息，从而揭示隐藏的复杂特征。为了 理解这些复杂的信息，需要进行一个关键环节——细胞聚类，根据基因表达的相似性将细胞归类，这一过程充满挑战。 scRNA-seq 数据存在高噪声、高稀疏性和高维度的特点，即使是目前最有效的图神经网络（GNNs）方法，也存在着「图构建不足」和「表征坍塌」的问 题。正如下图所示，无论是基于深度学习的 scNAME，还是基于图神经网络的 scGNN，其逐渐趋同的表征结果，意味着均存在不同 ...