论文 on Xiang CHEN 陈向

热烈祝贺本组的科研论文被CCF C类国际会议ISBRA 2026接收（图）

Mon, 20 Apr 2026 08:54:48 +0800

近日，本人以第一作者身份向 2026 International Symposium on Bioinformatics Research and Applications（ISBRA 2026）投稿的论文被接收，题目为 scMMGC: A generative multi-omics integration method based on dual-mask contrastive fusion of co-expression graph。湖南科技大学为第一完成单位，24 级硕士研究生杨子涵、23级硕士研究生马永康、24级硕士研究生刘小宇参与方法设计、讨论和文章撰写。

ISBRA（International Symposium on Bioinformatics Research and Applications）是生物信息学领域的重要国际会议，录用论文由 Springer 以 LNCS/LNBI 等形式出版，被 CCF 列为 C 类国际学术会议。会议致力于推动生物信息学、计算生物学及相关交叉方向的最新成果交流，主题涵盖基因组学、系统生物学、机器学习在生命科学中的应用等。ISBRA 2026 将于中国澳门举办（会期 2026 年 7 月 22–24 日，以官网为准）。

单细胞多组学整合是刻画细胞异质性、解释分子机制的关键环节。借助 scRNA-seq、scATAC-seq 等技术，可在细胞分辨率上刻画基因表达与染色质可及性等因子间的复杂关联。然而，稀疏性、噪声与批次效应仍会阻碍模态对齐与下游分析，许多方法也未充分挖掘跨模态共表达结构或显式建模跨模态特征交互。

针对上述问题，本文提出 scMMGC：一种基于共表达图与双分支掩码自编码的生成式多组学整合方法，将 scRNA-seq 与 scATAC-seq 映射为高质量的联合细胞嵌入。方法包含三个核心模块：（1）跨模态共表达图模块：在各模态上构建 KNN 图并以并集融合为共享邻接结构，使图神经网络在一致邻域关系下同时传播 RNA 与 ATAC 特征，缓解稀疏并强化跨模态协同；（2）双掩码自编码模块：在 RNA、ATAC 两支路上独立施加高比例随机掩码，结合 GraphSAGE 编码与 MLP 解码，在单模态内实现稳健重建，并为对比学习提供互补视图；（3）跨模态融合模块：借鉴 Transformer 思想，采用双向交叉注意力，使各模态动态查询对方信息，再通过可调权重的线性融合得到统一联合表示。

热烈祝贺本组的科研论文被SCI期刊Interdisciplinary Sciences: Computational Life Sciences（JCR Q1/中科院2区）录用 (图)

Wed, 11 Mar 2026 12:00:00 +0800

近日，本人以第一作者身份投稿至 Interdisciplinary Sciences: Computational Life Sciences 的文章被录用，论文题目为 “scCMA: A Contrastive Masked Autoencoder Framework for Robust Representation Learning of scRNA-seq Data”。湖南科技大学为第一完成单位，论文作者为 Xiang Chen、Wenfeng He、Junnan Yu、Zhaoyu Fang。22级本科大数据专业学生何文锋完成了所有实验，21级硕士研究生余俊楠和中南大学博士方钊玉参与论文的修订。

Interdisciplinary Sciences: Computational Life Sciences 是 Springer 出版的跨学科科学期刊，聚焦计算与生命科学的交叉领域，被 SCI 收录，属 JCR Q1/中科院2区。该刊发表生物信息学、系统生物学、计算生物学及相关方法学的高质量研究，是领域内重要的学术期刊。

本文提出了一种新颖的单细胞RNA测序数据分析方法 scCMA，将对比学习与掩码自编码器架构相结合，用于单细胞数据的鲁棒表征学习，有效应对高维稀疏、噪声与批次效应等挑战。实验表明，scCMA 在细胞聚类、批次校正、罕见细胞类型识别等任务上表现优异。该工作会议版本此前已被 ISBRA 2025 接收，现扩展版获期刊录用。

这项工作的完成离不开导师的指导和团队成员的共同努力。感谢国家自然科学基金(No.62202162)的资助。

热烈祝贺本组的科研论文被CCF C类国际会议ISBRA 2025接收（图）

Sun, 04 May 2025 20:26:42 +0800

近日，本人以第一作者身份向International Symposium on Bioinformatics Research and Applications (ISBRA) 2025 投稿的文章被接收，论文题目为 “scCMA:a contrastive masked autoencoder for single-cell RNA-seq embedding”。湖南科技大学为第一完成单位，22级本科大数据专业学生何文锋完成了所有实验，21级硕士研究生余俊楠和中南大学在读博士方钊玉参与实验设计和论文的撰写、修订。

ISBRA (International Symposium on Bioinformatics Research and Applications) 是生物信息学领域的重要国际会议，已连续举办19届。该会议由IEEE和ACM联合主办，被CCF列为C类国际学术会议。ISBRA会议致力于推动生物信息学、计算生物学及其相关领域的最新研究成果交流。会议主题涵盖基因组学、蛋白质组学、系统生物学、机器学习在生物信息学中的应用等多个方向。每年都吸引来自全球的研究者参与交流，是生物信息学领域重要的学术交流平台。2025年本会议将在芬兰首都赫尔辛基举行。

本文提出了一种新颖的单细胞RNA测序数据分析方法scCMA，该方法创新性地将对比学习与掩码自编码器架构相结合，有效解决了单细胞RNA测序数据分析中的高维稀疏、噪声和批次效应等关键挑战。实验结果表明，scCMA在细胞聚类、批次效应校正、罕见细胞类型识别等多个任务上均取得了优异的表现。

图1: scCMA方法的整体框架

这项工作的完成离不开导师的悉心指导和团队成员的共同努力。感谢国家自然科学基金(No.62202162)的资助。本组将继续在生物信息学领域深耕细作，为推动该领域的发展贡献力量。

热烈祝贺本组的科研论文被CCF B类国际会议IEEE BIBM 2024接收（图）

Sun, 25 Aug 2024 20:34:28 +0800

近日，本人以第一作者身份向IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2024 第一轮投稿的文章被接收，论文题目为 “stGCLF: a versatile deep graph contrastive learning framework for spatial transcriptomics analysis “。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设计了核心实验。

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 2024将于2024年12月3日至6日在葡萄牙里斯本举行。IEEE BIBM 2024 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。

空间转录组学（ST）的快速发展彻底改变了对空间异质性的研究，并增加了对有效表征空间领域的全面方法的需求。作为ST数据分析的先决条件，空间领域的表征是下游分析和生物解释的关键步骤。在该文中，我们提出了一种用于空间转录组学的深度图对比学习框架（stGCLF），通过图卷积网络利用对比学习来有效学习各个点之间的特征，解决了跨平台泛化能力差的问题。通过交替进行属性和拓扑去噪，我们的方法降低了ST数据中的噪音。本文展示了stGCLF 在空间转录组学的领域识别、轨迹推断、多切片整合和类型注释方面的有效性。

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）

Thu, 04 Jan 2024 09:19:25 +0800

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。