基于自监督预训练的单细胞类型注释方法OA

为了应对单细胞RNA测序中准确注释细胞类型的挑战,提出了基于迁移学习和Transformer的深度学习网络单细胞标签注释网络(ScLabel-Net),旨在对小鼠肺部的大规模单细胞数据集进行高效、准确的细胞类型注释。ScLabel-Net首先在约10万个细胞的单细胞肺部数据集上进行预训练,通过自监督学习捕捉基因间的相似性,然后将模型迁移到相对较少的数据集上,对特定细胞类型注释任务进行微调。考虑到单细胞数据中常见的细胞类型分布不平衡现象,微调数据集时应用了随机上采样技术,以减轻分布不平衡对注释结果的影响。实验结果表明,ScLabel-Net在GSE267861、GSE264032和Quake等3个小鼠肺部数据集上的细胞类型注释准确率分别达到0.955、0.922和0.986。此外,ScLabel-Net在小鼠其他器官(如气管、肾脏、胰腺)的单细胞数据集上也表现出优异的泛化能力,准确率分别达到0.981、0.951和0.987,验证了ScLabel-Net跨器官的适用性,进一步证明了ScLabel-Net在复杂生物系统和疾病研究中的广泛应用潜力。