RCNS實驗室在3月24日上午9:00-12:00舉辦了第一期研究生論壇，RCNS全體成員和各位導師共同參加。在這次組會上，首先由3名研一學生和1名研二學生彙報自己的研究進展，然後老師與同學們對彙報内容進行學術探讨，并對存在的問題給出相應的指導和建議。

韓長鋒：在本次彙報中分享了一篇名為《I-Impute:a self-consistent method to impute single cell RNA sequencing data》的文章，本文對插補一緻性提出了一種新的解釋。作為一個可靠的插補工具，應該假設其輸出不包含丢失或錯誤。希望插補工具的輸出是一緻的：如果我們删除一些條目之後再次将插補後的輸出提供給插補工具，那麼該工具應該能夠再現這些條目。我們把這種特性稱為自洽(self-consistency)。

王夢園：本次彙報的文獻為《scRMD：基于穩健矩陣分解的單細胞RNA-seq數據插補》，單細胞RNA測序(scRNA-seq)技術能夠在單細胞分辨率下對整個轉錄組進行分析，然而，scRNA-seq常常不能捕捉到表達的基因，導緻突出的“缺失”現象。這些缺失在下遊分析中造成了許多問題。本文提出的方法scRMD可以将觀察到的表達矩陣分解為低秩矩陣L、稀疏矩陣S和噪聲矩陣E1，通過使用ADMM（交替方向乘子法）求解最小化噪聲項這一優化問題來估計L和S，從而實現單細胞轉錄組測序數據中的缺失值插補。實驗結果表明，即使是在缺失率超過百分之八十的實際數據中，scRMD執行的效果也相當好。

李成：本次彙報的文獻為《Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data》單細胞RNA測序(scRNA-seq)可以區分異質組織中的細胞類型、狀态和譜系。然而，當前的單細胞數據不能直接将細胞團與特定的表型聯系起來。這裡我們介紹Scissor，這是一種從與給定表型相關的單細胞數據中識别細胞亞群的方法。Scissor通過首先量化每個單個細胞和每個批量樣本之間的相似性，整合了表型相關的批量表達數據和單細胞數據，然後在樣本表型的相關矩陣上優化回歸模型，以識别相關的亞群。應用于肺癌scRNA-seq數據集，Scissor确定了與較差存活率和TP53突變相關的細胞亞群。在黑色素瘤中，Scissor發現了與免疫治療反應相關的低PDCD1/CTLA4和高Tcf7表達的T細胞亞群。除了癌症，Scissor在解釋面肩肱骨肌營養不良症和阿爾茨海默病數據集方面也是有效的, Scissor通過利用表型和批量組學數據集，從單細胞分析中識别生物學和臨床相關的細胞亞群。

王婷:本次彙報的文獻為《SCMAG: A Semisupervised Single Cell Clustering Method Based on Matrix Aggregation Graph Convolutional Neural Network》，聚類分析是單細胞數據挖掘最重要的技術之一。廣泛應用于不同基因序列的劃分、功能基因的鑒定、新細胞類型的檢測等。傳統的無監督聚類方法雖然不需要标簽數據，但原始數據的分布、超參數的設置等因素都會影響聚類算法的有效性。雖然在某些情況下某些細胞的類型是已知的，但如果充分利用有關這些細胞的先驗信息，則有望實現高精度。而SCMAG（一種基于矩陣聚合圖卷積神經網絡的半監督單細胞聚類方法），它充分考慮了單細胞數據的先驗信息，有效提升了聚類精度。SCMAG的工作流程如下所示，輸入是一個基因表達矩陣；該算法包括四個步驟：(1)通過餘弦相似度公式計算相似度矩陣；(2)通過阈值判斷關聯矩陣；(3)通過矩陣聚合方法構建共識矩陣；(4)将共識矩陣保存為圖；(5)最後，将圖作為GCN分類器的輸入進行訓練。