single-cell gene expression 데이터의 gene level 계층적 구조, graph attention 기반 분석, 그리고 생물학적 정보를 반영한 embedding/클러스터링에 관한 최신 방법론과 논문
Graph Attention 기반 Gene/Cell Embedding 및 중요도 해석 (Gene-Gene Interaction Embedding)
scNET: 단일 세포 발현 데이터와 protein–protein interaction (PPI) 네트워크를 통합해, gene과 cell의 embedding을 동시에 학습합니다. 이 과정에서 **gene-gene 네트워크(생물학적 상호작용)**와 cell-cell 유사성을 모두 반영하며, edge attention을 통해 관계의 중요도를 동적으로 조절합니다. pathway 단위의 차등 발현 및 기능적 해석에도 강점을 보입니다.
GENELink: **Graph Attention Network(GAT)**를 활용해 단일세포 데이터에서 전사인자(TF)-target gene 간의 regulation 관계를 embedding합니다. attention weight를 통해 중요한 gene interaction을 해석할 수 있습니다.
[Graph attention network for link prediction of gene regulations from single-cell RNA-sequencing data] (https://academic.oup.com/bioinformatics/article/38/19/4522/6663989?login=false)
AttentionGRN: Graph Transformer 기반으로, gene expression과 유전자 네트워크(구조+기능적 이웃)를 동시에 학습합니다. r-hop neighbor와 기능적 모듈(예: pathway, GO term) 단위의 정보까지 attention으로 통합해, 기능 단위 embedding 및 네트워크 기반 feature importance 해석이 가능합니다.
기능적으로 연관된 gene set(예: pathway, module) 단위로 attention aggregation을 수행, 저발현 유전자도 기능 단위로 해석이 가능하도록 설계되었습니다
[AttentionGRN: a functional and directed graph transformer for gene regulatory network reconstruction from scRNA-seq data] (https://academic.oup.com/bib/article/26/2/bbaf118/8089937?login=false)
SIMBA: cell과 gene을 동일 embedding 공간에 매핑하는 graph embedding 방법. gene과 cell을 node로, 발현량을 edge로 하는 그래프를 구축해, embedding 결과로 cell type별 중요한 gene을 시각화 및 해석할 수 있습니다.
Enhanced embedding with gene-gene interactions: gene expression과 data-driven gene-gene interaction을 통합한 embedding 방법. random forest 기반 gene-gene regulatory graph와 cell-cell KNN graph를 결합해, embedding 및 클러스터링 성능을 높입니다.
Graph Attention 기반 Clustering 및 Feature Importance
AGAC, scGAC, omicsGAT: cell 간 또는 gene 간 관계를 그래프로 구축하고, graph attention mechanism을 통해 클러스터링 및 feature importance를 산출합니다. attention weight를 분석하여 어떤 gene/neighbor가 클러스터 구분에 중요한지 해석할 수 있습니다.
[scGAC: a graph attentional architecture for clustering single-cell RNA-seq data](https://academic.oup.com/bioinformatics/article/38/8/2187/6530275?login=false)
[omicsGAT: Graph Attention Network for Cancer Subtype Analyses](https://pmc.ncbi.nlm.nih.gov/articles/PMC9499656/)
[Single-cell RNA-seq data analysis using graph autoencoders and graph attention networks](https://www.frontiersin.org/journals/genetics/articles/10.3389/fgene.2022.1003711/full)
Disease State Prediction from Single-Cell Data Using GAT: graph attention을 통해 cell type, gene 등 feature importance를 산출하며, embedding 공간에서 질환 상태별 차이를 강조합니다.
[Disease State Prediction From Single-Cell Data Using Graph Attention Networks](https://arxiv.org/abs/2002.07128)
cell‑gene 양방향 embedding
scBiGNN (bilevel GNN)
Gene‑level GNN: gene-gene interaction self‑attention으로 gene embed 학습
Cell‑level GNN: gene‑level에서 나오는 embedding으로 cell embedding 및 clustering 수행
[scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data](https://arxiv.org/abs/2312.10310?utm_source=chatgpt.com)