一种基于非线性深度自编码器的空间转录组空间域划分方法及系统技术方案

本发明专利技术公开了一种基于非线性深度自编码器的空间转录组空间域划分方法及系统，涉及生物信息学技术领域，包括以下步骤：步骤一、对空间转录数据处理得到增强基因表达谱以及邻接矩阵；步骤二、利用噪声函数使增强基因表达谱产生干扰噪声并与增强基因表达谱共用邻接矩阵；步骤三、构建非线性深度自编码器模型，并进行模型训练；步骤四、构建自适应神经网络并嵌入非线性深度自编码器中用于处理批次效应；步骤五、将正样本数据输入到训练好的非线性深度自编码器模型中以得到潜在嵌入特征，并进行聚类以生成聚类标签；本发明专利技术有效提高了空间转录组数据空间域划分的精度，有效克服了批次效应，适用于多种空间转录组平台。适用于多种空间转录组平台。适用于多种空间转录组平台。

【技术实现步骤摘要】
一种基于非线性深度自编码器的空间转录组空间域划分方法及系统


[0001]本专利技术属于生物信息学
，具体涉及一种基于非线性深度自编码器的空间转录组空间域划分方法及系统。

技术介绍

[0002]新兴的空间转录组测序技术通过同时测量细胞或者类细胞的基因或者蛋白表达以及其空间位置来克服单细胞组学技术因为组织分裂而丢失空间信息的困难，从而不再需要使用免疫组化(IHC)以及免疫荧光(IF)来验证细胞
‑
细胞之间的相互作用。往往不同的组织空间区域形成不同的生物功能，空间信息有助于理解细胞基因表达如何受到组织微环境的影响，以至于更好的理解疾病病理，然而在原位精确识别在基因表达和组织学方面都具有空间连贯性的区域仍具有挑战性。
[0003]为了充分利用测序数据中的空间位置信息和组织学信息，解释基因的空间依赖性，多种空间域划分方法被开发出来，如BayesSpace利用Bayesian统计方法对细胞或类细胞进行聚类，算法认为空间上相接近的细胞节点可以被施加更高的权重以分在同一类。stLearn从组织学图像上提取特征及位置信息出发，结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非线性深度自编码器的空间转录组空间域划分方法，其特征在于：包括以下步骤：步骤一、将获取到的待分类的空间转录组数据基于基因表达谱、空间位置数据以及组织学图像进行基因表达增强，并生成增强基因表达谱，同时利用空间位置数据生成邻接矩阵，将得到的增强基因表达谱和邻接矩阵作为正样本数据；步骤二、利用噪声函数使增强基因表达谱产生干扰噪声以作为训练数据，并与增强基因表达谱共用邻接矩阵；步骤三、构建非线性深度自编码器模型，并使用所述步骤二中的训练数据对该非线性深度自编码器模型进行训练；步骤四、构建自适应神经网络，并将其嵌入所述步骤三中的非线性深度自编码器模型中，用于对多批次数据的处理；步骤五、将所述正样本数据输入到训练好的非线性深度自编码器模型中以得到潜在嵌入特征，并对所述潜在嵌入特征进行聚类以生成聚类标签，用于空间域的划分。2.根据权利要求1所述的基于非线性深度自编码器的空间转录组空间域划分方法，其特征在于：所述步骤一中根据基因表达谱计算基因空间表达相关性权重矩阵；根据空间位置数据计算空间位置权重矩阵；根据组织学图像计算形态学特征权重矩阵；根据空间表达相关性权重矩阵、空间位置权重矩阵以及形态学特征权重矩阵计算细胞节点间的基因权重矩阵；根据基因权重矩阵计算增强基因表达谱。3.根据权利要求1所述的基于非线性深度自编码器的空间转录组空间域划分方法，其特征在于：所述步骤三中非线性深度自编码器模型包括编码器、图自编码器和解码器。4.根据权利要求3所述的基于非线性深度自编码器的空间转录组空间域划分方法，其特征在于：所述编码器由多个全连接层组成；所述图自编码器包含两层图神经网络，对细胞邻居节点的空间信息进行嵌入，利用后验概率获得潜在表示；所述...

【专利技术属性】
技术研发人员：彭有梅，黄津津，付小倩，张壮丽，李建波，杨洋，王修霞，张艳，刘尚坤，谢银峰，王娅蓉，
申请(专利权)人：郑州大学，
类型：发明
国别省市：