본 논문은 단일세포 RNA 시퀀싱(scRNA-seq) 데이터의 클러스터링 성능을 향상시키는 새로운 Siamese Clustering 프레임워크인 scSiameseClu를 제안합니다. scSiameseClu는 세 가지 주요 단계로 구성됩니다: (1) 생물학적 정보를 활용한 섭동을 적용하여 표현의 강건성을 높이는 Dual Augmentation Module, (2) 상관관계 개선 및 적응적 정보 융합을 통해 복잡한 세포 관계를 포착하고 과도한 스무딩을 완화하는 Siamese Fusion Module, (3) Sinkhorn 거리를 이용하여 클러스터 할당을 미리 정의된 비율과 효율적으로 정렬하면서 균형을 유지하는 Optimal Transport Clustering. 7개의 실제 데이터셋에 대한 종합적인 평가 결과, scSiameseClu는 기존의 최첨단 방법들보다 단일세포 클러스터링, 세포 유형 주석 및 세포 유형 분류에서 우수한 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
scRNA-seq 데이터 분석에서 기존 GNN 기반 방법들의 한계인 과도한 스무딩 문제를 효과적으로 해결.
◦
생물학적 정보를 활용한 데이터 증강 및 Siamese 네트워크 기반의 정보 융합을 통해 클러스터링 성능 향상.
◦
Optimal Transport Clustering을 통해 클러스터 할당의 균형 및 효율성 증대.
◦
실제 데이터셋을 통한 종합적인 평가로 scSiameseClu의 우수성을 검증.
•
한계점:
◦
제시된 방법의 계산 비용 및 시간에 대한 자세한 분석 부족.
◦
다양한 scRNA-seq 데이터 유형 및 크기에 대한 일반화 성능에 대한 추가적인 검증 필요.
◦
특정 생물학적 정보에 의존하는 Dual Augmentation Module의 일반성에 대한 추가 연구 필요.
