一种多目标启发式的单细胞深度聚类方法技术

本发明专利技术公开了一种多目标启发式的单细胞深度聚类方法，通过对scDHA算法进行改进得到多目标启发式的单细胞深度聚类算法，该多目标启发式的单细胞深度聚类算法先采用stacked Bayesian autoencoder算法和Autoencoder算法联合起来对预处理后的单细胞转录组测序数据进行多次降维，再采用K‑means算法联合Ultra‑Scalable Spectral Clustering算法对多个降维数据进行聚类来生成多个聚类结果，最后采用动态正余弦优化算法对多个聚类结果计算得到唯一的聚类结果；优点是聚类速度快、硬件内存开销较小，硬件成本较低、聚类精度高、鲁棒性强。

【技术实现步骤摘要】

本专利技术涉及单细胞深度聚类方法，尤其是涉及一种多目标启发式的单细胞深度聚类方法。

技术介绍

1、近年来，单细胞rna测序技术的快速发展推动了生物学研究的进步。传统的rna测序技术通常在组织或细胞群体层面获得基因表达数据，而单细胞rna测序技术可以在单个细胞层面获得高分辨率的基因表达数据。然而，由于存在细胞异质性，即使在同一类型的细胞中，基因表达也存在显著差异。同时庞大的数据量和高维特征使得单细胞rna测序数据的分析更具挑战性。

2、为了应对这些挑战，最近的一项研究提出了一种scdha(single-celldecomposition using hierarchical autoencoder：基于分层自编码器的单细胞分解)算法。该scdha算法首先采用stacked bayesian autoencoder算法对预处理后的单细胞转录组测序数据多次降维得到多个降维数据，接着采用k-nearest neighbor adaption ofspectral clustering算法对多个降维数据进行聚类来生成多个聚类结果，最后采用一致性聚类算法(本文档来自技高网...

【技术保护点】

1.一种多目标启发式的单细胞深度聚类方法，其特征在于采用多目标启发式的单细胞深度聚类算法对预处理后的单细胞转录组测序数据进行聚类，得到聚类结果；其中，多目标启发式的单细胞深度聚类算法通过对scDHA算法进行如下三处改进来得到：一、将scDHA算法中采用stacked Bayesian autoencoder算法对预处理后的单细胞转录组测序数据进行多次降维改为采用stacked Bayesian autoencoder算法和Autoencoder算法联合起来对预处理后的单细胞转录组测序数据进行多次降维；二、将scDHA算法中采用K-nearestneighbor adaption of s...

【技术特征摘要】

1.一种多目标启发式的单细胞深度聚类方法，其特征在于采用多目标启发式的单细胞深度聚类算法对预处理后的单细胞转录组测序数据进行聚类，得到聚类结果；其中，多目标启发式的单细胞深度聚类算法通过对scdha算法进行如下三处改进来得到：一、将scdha算法中采用stacked bayesian autoencoder算法对预处理后的单细胞转录组测序数据进行多次降维改为采用stacked bayesian autoencoder算法和autoencoder算法联合起来对预处理后的单细胞转录组测序数据进行多次降维；二、将scdha算法中采用k-nearestneighbor adaption of spectral clustering算法对多个降维数据进行聚类来生成多个聚类结果改为采用k-means算法联合ultra-scalable spectral cl...

【专利技术属性】
技术研发人员：李向涛，范毅，马文静，
申请(专利权)人：吉林大学，
类型：发明
国别省市：