sc-GCN：使用图卷积网络进行单细胞组学数据的知识迁移( 二 )

首先是在十个标准数据集上测试不同方法的预测准确性，可以看到相比已有的方法， scGAN的准确性都优于或等于之前的方法。

图2.scGCN和已有的方法在预测未知数据标签时的效果对比，虚线代表两者准确率相等，左上方意味scGCN效果更好
当参考数据集和未知数据集来自不同的测序平台时，对比结果如下：

图3.不同测序平台的对比，可见scGCN的效果远好于现有方法
不同物种间的单细胞数据，也可以进行标签迁移，例如使用小鼠的胰腺单细胞数据，预测人类的胰腺数据的数据类型，其预测准确度如下图所示：

图4.跨物种标签预测的准确性对比
【sc-GCN：使用图卷积网络进行单细胞组学数据的知识迁移】scGCN还可用于单细胞多组学数据的整合，例如利用转录组数据的标签，预测无标注的表观组数据对应的标签，这是因为虽然不同组学描述的是细胞的不同生化过程，但不同标签的细胞间，发挥功能的基因会呈现相似的模式，从而在高维映射后具有相似性。通过数据整合后，进行聚类分析，使用两种聚类评价方法批次效应熵及silhouetteindex ，可以发现使用不同方法整合后的数据集， scGCN效果更好， UMAP聚类后，不同标记的数据集也分的更开。

图5.不同类型的单细胞多组学数据，使用不同方法进行数据整合后的聚类评价对比

图6.单细胞多组学数据整合后的聚类效果对比
以上实验证明， scGCN允许在不同组织、物种、测序平台之间进行标签迁移，并整合多个组学的数据集。即使在参考数据集的细胞数很少的情况下， scGAN也能够精确地进行标签迁移。 scGCN在计算时间和内存使用量方面与主流方法Seuratv3相当，可用于大型单细胞数据集。
虽然scGCN在可解释性上有所欠缺，不能找出区分不同标签的关键基因，其分类效果也可进一步提升。但该方法的成功证明了图卷积神经网络这一快速发展的方法，可应用于单细胞组学分析。
郭瑞东|作者
赵雨亭|审校
邓一雪|编辑
商务合作及投稿转载｜swarma@swarma.org◆◆◆
搜索公众号：集智俱乐部
加入“没有围墙的研究所”
让苹果砸得更猛烈些吧!