一种基于变分推断的跨模态超分辨率重建方法技术

本发明专利技术公开了一种基于变分推断的跨模态超分辨率重建方法，包括获取低分辨率空间测序数据和高分辨率染色图像；根据低分辨率空间测序数据，提取测序特征，构建对应的矩阵A；根据高分辨率染色图像，提取图像特征，构建对应的矩阵W；根据测序特征和矩阵A，利用空间信息提取网络提取环境因子；根据环境因子、图像特征以及矩阵W，利用跨模态超分辨率变分推断网络，实现所述低分辨率空间测序数据的超分辨率重建。本发明专利技术公开的算法能够解析高分图像信号与低分测序信号的跨模态融合与互补，突破了单一模态的技术瓶颈，实现模态分析更高通量数据、更高精度超分、更高可靠性融合。更高可靠性融合。更高可靠性融合。

【技术实现步骤摘要】
一种基于变分推断的跨模态超分辨率重建方法


[0001]本专利技术涉及超分辨率重建
，更具体的说是涉及一种基于变分推断的跨模态超分辨率重建方法。

技术介绍

[0002]转录组的空间位置对于深度解析复杂生理学功能、病理学机制具有重大学术价值。目前，空间转录组已为肿瘤异质性、类原肠胚胎发育、阿兹海默症原理等领域的研究提供了全新的技术支持。而空间转录组信息的超分辨率重建，对于探究高通量基因在组织中的精细表达模式以及探索基因
‑
基因更加复杂的联合表达关系，从而辅助对生命过程的深入理解有至关重要的作用。
[0003]但当前，空间转录组仍然面临着空间分辨率与测序通量之间的矛盾，虽然为此提出了通过单细胞组学进行跨模态逆卷积，以及通过空间信息对空间组学进行超分辨率重建的方法；但是，前者受限于单细胞基因表达测序数据本身缺乏空间信息，此类方法仅仅实现了细胞层面的超分而尚未实现空间层面的超分，难以充分反映单细胞的空间表达异质性，不能给出单细胞的精细空间表达模式，且不能广泛用于其他空间组学技术；后者在基因的空间表达上进行了更加细致的推断，但是针对不同平台的数据可扩展性差，分辨率提升不明显，且没有利用更多具有高分辨率的跨模态信息。
[0004]因此，鉴于现有方法无法充分利用数量较多的无标注转录组的空间信息进行超分辨率重建，如何提供一种跨模态超分辨率重建方法，以克服当前缺陷，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于变分推断的跨模态超分辨率重建方法，旨在利用数量较多的无标注转录组的空间信息，以及伴随空间转录组测序产生的附加信息，对低分辨率空间测序数据进行超分辨率重建，本专利技术算法可以适用于测序通道的每个维度，保持原本的高通道特性，同时增加了空间分辨率，在一定程度上解决测序技术上空间分辨率与测序深度的矛盾。
[0006]为了实现上述目的，本专利技术采用如下技术方案：一种基于变分推断的跨模态超分辨率重建方法，包括：获取低分辨率空间测序数据和高分辨率染色图像；根据所述低分辨率空间测序数据，提取测序特征，构建对应的矩阵A；根据所述高分辨率染色图像，提取图像特征，构建对应的矩阵W；根据所述测序特征和所述矩阵A，利用空间信息提取网络提取环境因子；根据所述环境因子、所述图像特征以及所述矩阵W，利用跨模态超分辨率变分推断网络，实现所述低分辨率空间测序数据的超分辨率重建。
[0007]优选的，所述空间信息提取网络根据如下公式提取所述环境因子，其中，q为概率密度函数，θ
t
为空间信息提取网络的网络参数，表示低分辨率测序数据的环境因子，决定了低分辨率下测序点的平均测序水平，表示低分辨率空间测序特征，N为采样点的总个数，n表示当前采样点的序号，，表示变分近似分布q的参数。
[0008]优选的，所述跨模态超分辨率变分推断网络将所述环境因子和所述图像特征映射到负二项式分布的参数空间；映射关系如下：其中，，表示超分辨率测序数据生成的成功概率总数；，表示对数几率，K为超分辨率倍率，表示跨模态超分辨率变分推断网络，θ
r
表示跨模态超分辨率变分推断网络的网络参数，表示所述图像特征，Z
(n)
表示采样点n处的环境因子。
[0009]优选的，根据所述，所述按如下公式提取超分辨率空间测序特征，根据提取的所述超分辨率空间测序特征，进行所述低分辨率空间测序数据的超分辨率重建，公式如下：其中，表示采样点处的超分辨率空间测序特征，表示负二项式。
[0010]优选的，根据优化证据下确界对所述空间信息提取网络和所述跨模态超分辨率变分推断网络的网络参数进行优化，优化公式如下：式中，代表超分辨率空间测序特征，Z表示低分辨率空间测序数据的环境因子，X表示低分辨率空间测序特征，Y表示高分辨率图像特征，θ
r
表示跨模态超分辨率变分推断网络的网络参数，θ
t
为空间信息提取网络的网络参数，表示在概率密度函数p上的期望，表示在概率密度函数q上的期望，表示散度。
[0011]优选的，所述的表达式为：所述的表达式为：
其中，表示低分辨率空间测序特征，表示高分辨率图像特征，表示低分辨率测序数据的环境因子，N为采样点的总个数，n为当前采样点的序号，k为超分辨率倍数，C为与优化无关的常数，为建立在所述超分辨率空间测序特征上的矩阵。
[0012]优选的，根据如下公式获得，式中，为伯努利分布的参数，满足：其中，Sigmoid(
·
)为Sigmoid函数，即，e为自然对数的底数，表示平均值，m，n代表第m与第n个采样点；i代表第n个采样点所包含的K个超分点的第i个，j代表第m个采样点所包含的K个超分点的第j个。
[0013]优选的，所述优化证据下确界，使用梯度下降进行优化直至网络收敛，公式如下：式中，lr为学习率，为所述优化证据下确界对网络参数（θ
t
，θ
r
）的导数。
[0014]优选的，所述提取图像特征，通过下式获得：所述提取测序数据，根据如下公式获得：式中，N为当前采样点的序号。
[0015]优选的，所述矩阵A根据如下公式获得：其中，式中，，N(n)为点s
(n)
的一阶跳邻，λ2为尺寸因子，用于调控的大小，m，n代表第m与第n个采样点。
[0016]优选的，所述矩阵W根据如下公式获得：其中，，
式中，i,j=0,...,K
‑
1；m,n=0,...,N
‑
1，且，λ1为尺寸因子，调控的大小。
[0017]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于变分推断的跨模态超分辨率重建方法，本专利技术在现有测序技术的基础上，通过对“低分辨”的高通量数据进行深入解析，利用“高分辨”的辅助信息，突破了单一模态的技术瓶颈，提供了融合多模态的超分辨率算法，该算法能够实现低分辨率空间测序数据在空间层面上的超分辨率重建，并能广泛用于不同种类的空间组学技术。
[0018]具体的，本专利技术充分利用廉价的、伴随测序过程产生的高分辨率染色图像，设计跨模态生物信号智能感知的基于图神经网络的自监督超分辨算法，解析高分图像信号与低分测序信号的跨模态融合与互补，实现模态分析更高精度超分、更高可靠性融合。此外，在原始的低分辨率高通量的测序技术提供的数据支持下，利用并行计算硬件支持，对各个测序通道依次进行超分辨率重建，从而实现模态分析高通量数据的分析。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0020]图1为本专利技术提供的跨模态超分辨率重建方法流程图；图2为本专利技术提供的超分辨率测序数据生成示意图；图3为本专利技术提供的高分辨率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分推断的跨模态超分辨率重建方法，其特征在于，包括：获取低分辨率空间测序数据和高分辨率染色图像；根据所述低分辨率空间测序数据，提取测序特征，构建对应的矩阵A；根据所述高分辨率染色图像，提取图像特征，构建对应的矩阵W；根据所述测序特征和所述矩阵A，利用空间信息提取网络提取环境因子；根据所述环境因子、所述图像特征以及所述矩阵W，利用跨模态超分辨率变分推断网络，实现所述低分辨率空间测序数据的超分辨率重建。2.根据权利要求1所述的一种基于变分推断的跨模态超分辨率重建方法，其特征在于，所述空间信息提取网络，根据如下公式提取所述环境因子，其中，q为概率密度函数，θ
t
为空间信息提取网络的网络参数，Z表示低分辨率空间测序数据的环境因子，X表示低分辨率空间测序特征，N为采样点的总个数，n表示当前采样点的序号，，表示变分近似分布q的参数。3.根据权利要求1所述的一种基于变分推断的跨模态超分辨率重建方法，其特征在于，所述跨模态超分辨率变分推断网络将所述环境因子和所述图像特征映射到负二项式分布的参数空间；映射关系如下：其中，，表示超分辨率测序数据生成的成功概率总数；，表示对数几率，K为超分辨率倍率，表示跨模态超分辨率变分推断网络，θ
r
表示跨模态超分辨率变分推断网络的网络参数，表示所述图像特征，Z
(n)
表示采样点n处的环境因子。4.根据权利要求3所述的一种基于变分推断的跨模态超分辨率重建方法，其特征在于，根据所述，所述按照如下公式提取超分辨率空间测序特征，根据提取的所述超分辨率空间测序特征，进行所述低分辨率空间测序数据的超分辨率重建，公式如下：其中，表示采样点处的超分辨率空间测序特征，NegativeBinomial表示负二项式。5.根据权利要求1所述的一种基于变分推断的跨模态超分辨率重建方法，其特征在于，根据优化证据下确界对所述空间信息提取网络和所述跨模态超分辨率变分推断网络的网络参数进行优化，优化公式如下：式中，代表超分辨率空间...

【专利技术属性】
技术研发人员：邓岳，李博翰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：