一种基于深度压缩感知的空间转录组方法及装置制造方法及图纸

本发明专利技术属于分子生物学和生物信息学领域，提供了一种自编码器，包含所述自编码器的压缩感知模型CSNet，基于深度学习的压缩感知方法，以及基于深度压缩感知的空间转录组方法及装置。基于本发明专利技术的基于深度压缩感知的空间转录组方法csFISH重构的数据不仅与smFISH技术相近，而且本发明专利技术成像所用时间仅仅是smFISH技术的1/28。并且，本发明专利技术的csFISH方法不仅可以只进行少量的采样即可恢复高维数据，还克服了光学拥挤的难题，能够用低倍镜更快速地成像。该方法在保证高质量数据的同时，极大提升了成像速度。速度。速度。

【技术实现步骤摘要】
一种基于深度压缩感知的空间转录组方法及装置


[0001]本专利技术涉及一种空间转录组方法和装置，特别是涉及一种基于深度压缩感知的空间转录组方法及装置，属于分子生物学和生物信息学领域。

技术介绍

[0002]空间转录组技术是一种用于研究组织中基因表达的新兴组学技术，能够捕获细胞层面的基因表达图谱并保留组织的位置信息。它是对特定性质的细胞类型、组织或器官内的转录本表达进行全面和系统研究的方法，并且不会失去细胞在组织中的空间位置信息。相比于传统的转录组技术，空间转录组技术可以获得细胞在组织生理环境下真实的基因表达特征，并且此技术能够探明细胞与微环境之间的关系，有助于加深对正常和病理状态下细胞特性的理解。因此，它成为了分子生物学和生物医学领域重要的研究方法之一。
[0003]目前，主流的空间转录组技术主要分为两类：基于下一代测序的空间转录组技术和基于原位成像的空间转录组技术。其中，原位成像技术又可分为基于原位杂交的空间转录组技术和基于原位测序的空间转录组技术。
[0004]基于下一代测序的空间转录组技术利用芯片给组织切片中的RNA添加空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自编码器，其是将输出恢复成输入的神经网络结构，包含编码器和解码器，其中：编码器是由一个线性压缩层组成的神经网络，将高维数据转换为低维表示，实现数据的压缩；解码器由多个全连接层组成，其采用残差网络ResNet作为网络结构，将压缩后的数据重构成原始输入数据，实现数据的重构。2.根据权利要求1所述的自编码器，其通过最小化输入x和输出之间的误差同时完成压缩和重构两个步骤，其中，编码器的线性压缩层可以将基因表达矩阵X通过与采样矩阵A进行矩阵乘法进行线性变换得到复合测量矩阵Y，其中A是m
×
g的二维矩阵，X是g
×
n的二维矩阵，Y是m
×
n的二维矩阵，编码器的输出可以表示为如下公式，Y＝AX通过所述公式，编码器将高维的输入数据转换为低维的线性表示，在数据采集时实现压缩；解码器将编码器的输出结果Y作为解码器的输入，通过如下公式，重构基因表达矩阵解码器将编码器的输出结果Y作为解码器的输入，通过如下公式，重构基因表达矩阵。3.一种基于深度学习的压缩感知模型CSNet，其包含权利要求1或2所述的自编码器。4.一种基于深度学习的压缩感知方法，其将深度学习技术应用到压缩感知中，包括以下步骤：(1)构建权利要求1或2所述的自编码器，或者权利要求3所述的模型CSNet；(2)采用步骤(1)构建的自编码器或模型CSNet进行模型训练和推理，在进行模型训练中，通过反向传播算法更新网络权重以最小化损失函数。5.根据权利要求4所述的方法，其中步骤(2)包含编码器和解码器联合训练、解码器单独训练和解码器推理三个过程。6.根据权利要求4或5所述的方法，步骤(2)中的模型训练包括训练步骤、验证步骤以及测试步骤。7.根据权利要求4
‑
6中任一项所述的方法，其使用基于PyTorch开发的Pytorch
‑
Lightning高级框架来实现该压缩感知算法。8.根据权利要求4
‑
7中任一项所述的方法，在进行模型训练之前，还包括对数据进行处理的步骤，优选对复合测量矩阵进行归一化和对数转换。9.权利要求1或2所述的自编码器或者权利要求3所述的模型CSNet在基于深度学习的压缩感知方法中的应用。10.一种基于深度压缩感知的空间转录组方法，包括以下步骤：(...

【专利技术属性】
技术研发人员：瞿昆，林俊，蒋辰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：