单细胞数据整合聚类

背景

单细胞RNA测序(scRNA-seq)技术近年来revolutionized了生命科学研究，使研究者能够在单个细胞水平解析基因表达异质性。然而，不同实验室、不同测序平台产生的数据存在显著的批次效应，给跨研究数据整合和细胞类型统一注释带来巨大挑战。中山大学研究团队针对这一关键问题，开发了专门用于单细胞数据整合聚类的分析框架，旨在建立标准化的单细胞数据分析流程。

方法

本任务采用深度学习与经典统计方法相结合的技术路线。首先利用变分自编码器(VAE)学习数据的低维隐空间表示，然后通过对抗性训练策略去除批次效应，同时保留关键的生物学变异信息。在聚类阶段，团队设计了基于图神经网络的聚类算法，能够自适应识别细胞群体边界，实现精准的细胞类型划分。该方法支持Harmony、BBKNN、LIGER等多种主流整合算法的并行对比，并提供自动化的最优算法选择机制。

应用场景

该技术在肿瘤免疫微环境研究、发育生物学时空解析、疾病机制探索、免疫细胞图谱构建等领域具有广泛应用。可用于构建疾病特异性的细胞参考图谱，支持精准医学研究中的患者分层，为药物靶点发现和诊疗策略制定提供分子层面的数据支撑。