scLLM-DSC：LLM-知识增强型单细胞 RNA 测序的跨模式深层结构聚类

聚类是 scRNA-seq 分析的基础，是识别细胞群和解决组织异质性的基石。然而，现有的方法侧重于挖掘数值统计模式，由于忽略了基因编码的内在生物学功能而遭受语义不可知论的困扰。虽然 大语言模型 (LLM) 提供了有前途的语义功能，但它们对细胞聚类的直接适应受到生成 预训练 目标和判别性下游任务之间结构不匹配的阻碍。为了弥补这一差距，我们提出了 scLLM-DSC，这是一种新颖的 LLM 知识增强型跨模态深度结构聚类框架。与数据驱动范式不同，scLLM-DSC 通过协同两个视图建立基于语义的表示：源自 NCBI 基因先验和上下文化 Cell2Sentence 嵌入的知识驱动语义视图，以及通过图形引导编码器提取的结构感知拓扑视图。至关重要的是，我们引入了跨模态对比对齐机制，以在统一的潜在空间内增强生物语义和转录组特征之间的一致性。广泛的基准测试表明，scLLM-DSC 在聚类精度方面显着优于 11 个最先进的基线。