Nature 子刊发布 DR-GEM：利用自监督机器学习进行单细胞嵌入与注释

《Nature Communications》刊发斯坦福大学团队研发的自监督元算法 DR-GEM，为单细胞及空间组学数据分析中长尾稀有模式的挖掘提供了新方法。

• 研究指出当前降维与聚类算法倾向于拟合高频样本，实质上是将样本丰度等同于生物学重要性，容易忽略稀有细胞信号。
• DR-GEM 基于分布鲁棒与潜在群体感知机制，利用重构误差重新引导模型关注初期遗漏的低频特征。
• 算法引入平衡共识学习机制，在过滤低质噪声的同时提升对细胞层级和患者层级表征不足的鲁棒性。
• 论文在合成数据、单细胞转录组、空间转录组及 Perturb-seq 数据集上验证了该方法识别稀有细胞类型和隐藏特征的能力。
• 影响/看点：该方法有助于提升生物医学数据中罕见细胞亚群的检出率，但其在大规模多中心临床队列中的通用性和计算开销仍需进一步实践验证。
• 资料依据：
• Nature Communications（2026-09-24）：https://www.nature.com/articles/s41467-026-77908-z

本内容由 AI 生成，仅供参考，请注意甄别