본 논문은 단일세포 RNA 시퀀싱(scRNA-seq) 데이터 분석에서 세포 이질성과 다양성을 밝히기 위한 기본적인 클러스터링 분석에 초점을 맞추고 있습니다. 특히 그래프 신경망(GNNs) 기반의 최신 scRNA-seq 클러스터링 방법들이 고차원, 고스파스, 빈번한 dropout 현상으로 인한 모호한 세포 집단 경계 문제 해결에 있어 상당한 발전을 이루었지만, 임계값을 적용하여 얻은 이진 그래프 구조에 의존하는 한계를 지적합니다. 이러한 한계는 세포 간 연속적인 유사성 특징을 제대로 포착하지 못하고 정보 손실을 야기하며, 클러스터 간 연결로 인해 GNN의 메시지 전파 및 클러스터링 결과에 오류를 발생시킬 수 있습니다. 따라서 본 논문에서는 비이진 가중치를 통해 세포 간 연속적인 유사성을 더 정확하게 특징짓는 scSGC (Soft Graph Clustering for single-cell RNA sequencing data) 프레임워크를 제시합니다. scSGC는 ZINB 기반 특징 오토인코더, 이중 채널 cut-informed 소프트 그래프 임베딩 모듈, 최적 전송 기반 클러스터링 최적화 모듈의 세 가지 핵심 구성 요소로 이루어져 있으며, 10개의 데이터셋에 대한 실험 결과, 13개의 최첨단 클러스터링 모델보다 클러스터링 정확도, 세포 유형 주석, 계산 효율성 면에서 우수한 성능을 보임을 보여줍니다.
