热烈祝贺本组的科研论文被CCF B类国际会议IEEE BIBM 2023接收（图）

​ 近日，本人以第一作者身份向IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2023 投稿的文章被接收，论文题目为 “A deep graph convolution network with attention for clustering scRNA-seq data “。湖南科技大学为第一完成单位，中南大学计算机学院李敏教授为通讯作者，本组硕士研究生余俊楠参与了核心实验。

​ IEEE 生物信息学和生物医学国际会议 (BIBM) 已成为生物信息学和生物医学领域首屈一指的研究会议。 IEEE BIBM 2023于 2023年12月5日至8日在土耳其伊斯坦布尔举行。IEEE BIBM 2023 为传播生物信息学和健康信息学的最新研究提供了一个顶尖的论坛。它汇集了来自计算机科学、生物学、化学、医学、数学和统计学的学术和工业科学家。该会议被CCF收录为B类会议。

​ 在单细胞RNA测序（scRNA-seq）分析中，鉴定细胞类型是一个主要目标，而聚类是实现这一目标的常用方法。然而，数据的丰富性和噪声的存在给单细胞聚类提出了重大挑战。我们提出了一种称为 scGCNClustering 的新方法，它利用具有注意力的深度图卷积网络（GCN）。scGNCClustering 包含两个核心模型。第一个模型是深度 GCN 编码器，可有效保留 scRNA-seq 数据中的拓扑结构和特征信息，从而实现准确的细胞分离。 此外，我们将注意力模块合并到 GCN 编码器中，以捕获细胞之间精确的全局相似性。第二个模型是深度零膨胀负二项式 (ZINB) 解码器，它近似 scRNAseq 数据的真实分布。对六个真实的 scRNA-seq 进行广泛分析 数据集表明 scGCNClustering 在 scRNA-seq数据的聚类和可视化方面取得了良好的性能。

​ scGCNClustering 相比于SinNLRR、PARC等其他5个方法，在ARI score上基本高于大部分方法；scGCNClustering 相比于PCA、t-SNE、UMAP等传统可视化方法具有最高的Silhouette（轮廓）系数。

⚠️：本文包含图片，如果显示不出来，请使用科学上网。