Abstract Single-cell RNA-sequencing (scRNA-Seq) is widely used to reveal the heterogeneity and dynamics of tissues, organisms, and complex diseases, but its analyses still suffer from multiple grand challenges, including the sequencing sparsity and complex differential patterns in gene expression. We introduce the scGNN (single-cell graph neural network) to provide a hypothesis-free deep learning framework for scRNA-Seq analyses. This framework formulates and aggregates cell–cell relationships with graph neural networks and models heterogeneous gene expression patterns using a left-truncated mixture Gaussian model. scGNN integrates three iterative multi-modal autoencoders and outperforms existing tools for gene imputation and cell clustering on four benchmark scRNA-Seq datasets. In an Alzheimer’s disease study with 13,214 single nuclei from postmortem brain tissues, scGNN successfully illustrated disease-related neural development and the differential mechanism. scGNN provides an effective representation of gene expression and cell–cell relationships. It is also a powerful framework that can be applied to general scRNA-Seq analyses.

ABSTRACT Single-cell RNA-sequencing (scRNA-Seq) is widely used to reveal the heterogeneity and dynamics of tissues, organisms, and complex diseases, but its analyses still suffer from multiple grand challenges, including the sequencing sparsity and complex differential patterns in gene expression. We introduce the scGNN (single-cell graph neural network) to provide a hypothesis-free deep learning framework for scRNA-Seq analyses. This framework formulates and aggregates cell-cell relationships with graph neural networks and models heterogeneous gene expression patterns using a left-truncated mixture Gaussian model. scGNN integrates three iterative multi-modal autoencoders and outperforms existing tools for gene imputation and cell clustering on four benchmark scRNA-Seq datasets. In an Alzheimer’s disease study with 13,214 single nuclei from postmortem brain tissues, scGNN successfully illustrated disease-related neural development and the differential mechanism. scGNN provides an effective representation of gene expression and cell-cell relationships. It is also a novel and powerful framework that can be applied to scRNA-Seq analyses.

ABSTRACT Massively bulk RNA sequencing databases incorporating drug screening have opened up an avenue to inform the optimal clinical application of cancer drugs. Meanwhile, the growing single-cell RNA sequencing (scRNA-seq) data contributes to improving therapeutic effectiveness by studying the heterogeneity of drug responses for cancer cell subpopulations. There is a clear significance in developing computational biology approaches to predict and interpret cancer drug response in single cell data from clinical samples. Here, we introduce scDEAL, a deep transfer learning framework for cancer drug response prediction at single-cell level by integrating large-scale bulk cell line data. The true innovation of scDEAL is to translate cancer cell line drug responses into predicting clinical drug responses via learning relations of gene expressions and drug responses at bulk-level and transfer to predict drug responses in scRNA-seq. Another innovation is the integrated gradient feature interpretation to infer a comprehensive set of signature genes to reveal potential drug resistance mechanisms. We benchmarked scDEAL on six scRNA-seq datasets and indicate its model interpretability through these case studies. We believe that this work may help study cell reprogramming, drug selection, and repurposing for improving therapeutic efficacy.

Abstract Summary Alzheimer’s disease (AD) is a progressive neurodegenerative disorder of the brain and the most common form of dementia among the elderly. The single-cell RNA-sequencing (scRNA-Seq) and single-nucleus RNA-sequencing (snRNA-Seq) techniques are extremely useful for dissecting the function/dysfunction of highly heterogeneous cells in the brain at the single-cell level, and the corresponding data analyses can significantly improve our understanding of why particular cells are vulnerable in AD. We developed an integrated database named scREAD ( s ingle- c ell R NA-Seq databas e for A lzheimer’s D isease), which is the first database dedicated to the management of all the existing scRNA-Seq and snRNA-Seq datasets from human postmortem brain tissue with AD and mouse models with AD pathology. scREAD provides comprehensive analysis results for 55 datasets from eight brain regions, including control atlas construction, cell type prediction, identification of differentially expressed genes, and identification of cell-type-specific regulons. Availability and Implementation scREAD is a one-stop and user-friendly interface and freely available at https://bmbls.bmi.osumc.edu/scread/ . The backend workflow can be downloaded from https://github.com/OSU-BMBL/scread/tree/master/script , to enable more discovery-driven analyses. Contact qin.ma@osumc.edu or hongjun.fu@osumc.edu Supplementary information Supplementary data are available at Bioinformatics online.