【技术实现步骤摘要】
本专利技术属于单细胞多组学数据分析，尤其涉及一种单细胞多组学数据跨模态生成方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、单细胞测序技术使科学家能够以前所未有的细节消除细胞异质性，这种粒度揭示了无数生物过程中复杂的细胞动力学。为了充分利用单细胞测序数据，现有的单细胞测序数据分析工具多数都是针对特定的数据模式量身定制的，如scrna-seq或scatac-seq，通常提供细胞景观的单一视图。
3、在现有的单细胞多组学数据分析技术中，存在对一单细胞多组学数据进行集成的方法，如seurat专注于寻找模态之间的共性，而另一些人则探索非线性转换或倾向于深度学习。但是，专利技术人发现，目前的单细胞多组学数据分析技术都面临着从信息丢失到噪声敏感性的问题。此外，由于实验的成本和难度，通常缺乏全面描述细胞状态的匹配单细胞多组学数据，多个组学数据之间的跨模态扰动变化也很难通过实验进行，关键基因的识别也局限在单一模态视角中。
技术实现思路
1、为本文档来自技高网...
【技术保护点】
1.一种单细胞多组学数据跨模态生成方法，其特征在于，包括：
2.如权利要求1所述的单细胞多组学数据跨模态生成方法，其特征在于，训练深度学习模型中的带GCN的变分自编码器的过程为：
3.如权利要求1所述的单细胞多组学数据跨模态生成方法，其特征在于，训练深度学习模型中的双向对齐器的过程为：
4.如权利要求1所述的单细胞多组学数据跨模态生成方法，其特征在于，所述双向对齐器由多层感知器构成，每层感知器用于将对应组学层的潜在空间嵌入特征转换为集体潜在空间特征。
5.一种单细胞多组学数据跨模态生成系统，其特征在于，包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。