Abstract Clustering is one of the most commonly used methods in single-cell RNA sequencing (scRNA-seq) data analysis and other fields of biology. Traditional clustering methods usually use data from a single source as the input (e.g. scRNA-seq data). However, as the data become more and more complex and contain information from multiple sources, a clustering method that could integrate multiple data is required. Here, we present inClust (integrated clustering), a clustering method that integrates information from multiple sources based on variational autoencoder and vector arithmetic in latent space. inClust perform information integration and clustering jointly, meanwhile it could utilize the labeling information from data as regulation information. It is a flexible framework that can accomplish different tasks under different modes, ranging from supervised to unsupervised. We demonstrate the capability of inClust in the tasks of conditional out-of-distribution generation under supervised mode; label transfer under semi-supervised mode and guided clustering mode; spatial domain identification under unsupervised mode. inClust performs well in all tasks, indicating that it is an excellent general framework for clustering and task-related clustering in the era of multi-omics.

Reconstructing gene regulatory networks(GRNs) and inferring the gene dynamics are important to understand the behavior and the fate of the normal and abnormal cells. Gene regulatory networks could be reconstructed by experimental methods or from gene expression data. Recent advances in Single Cell RNA sequencing technology and the computational method to reconstruct trajectory have generated huge scRNA-seq data tagged with additional time labels. Here, we present a deep learning model 'Neural Gene Network Constructor' (NGNC), for inferring gene regulatory network and reconstructing the gene dynamics simultaneously from time series gene expression data. NGNC is a model-free heterogenous model, which can reconstruct any network structure and non-linear dynamics. It consists of two parts: a network generator which incorporating gumbel softmax technique to generate candidate network structure, and a dynamics learner which adopting multiple feed forward neural networks to predict the dynamics. We compare our model with other well-known frameworks on the data set generated by GeneNetWeaver, and achieve the state of the arts results both on network reconstruction and dynamics learning.