scBiGNN：用于单细胞 RNA 测序数据细胞类型分类的双层图表示学习

基于摘要分析。本文研究单细胞 RNA 测序（scRNA-seq）数据中的细胞类型分类，提出双层图表示学习方法 scBiGNN，旨在同时利用基因—基因与细胞—细胞关系，而非仅依赖单一层面的结构信息。 方法包含两个 GNN 模块：基因级 GNN 通过自注意力机制自适应学习基因间相互作用及细胞表示；细胞级 GNN 则使用这些细胞表示构建细胞—细胞图并进行学习。针对大量细胞带来的可扩展性问题，作者采用 Expectation Maximization（EM）框架，通过 E-step 与 M-step 交替训练两个模块，使基因级与细胞级结构信息相互补充。摘要未给出具体优化目标、图构建规则或各步骤的计算细节，尚不能判断其计算开销与收敛特性。 作者报告，在用于 scRNA-seq 细胞类型分类的基准数据集上，scBiGNN 优于多种已有方法；但摘要未列出数据集名称、数据划分、对照方法、评价指标或具体数值，效果幅度及适用范围尚未验证。实验协议、消融及统计信息也尚未验证。复现时需重点核对基因级图的学习方式、细胞图更新流程、两个模块的训练依赖及大规模数据上的资源需求。 该研究的主要对象是基因表达数据与细胞类型分类，不是 EEG 解码或 BCI；摘要中的结果不构成其在神经信号任务上有效的证据。