單細(xì)胞轉(zhuǎn)錄組測(cè)序技術(shù)的興起,將人們的研究聚焦于一個(gè)細(xì)致的精度——細(xì)胞。所屬不同類型的細(xì)胞構(gòu)成了人體組織的異質(zhì)性,而單細(xì)胞轉(zhuǎn)錄組測(cè)序數(shù)據(jù)從基因表達(dá)的水平幫助我們理解與解釋單個(gè)細(xì)胞的性質(zhì)與組織的異質(zhì)性。當(dāng)前基于無(wú)監(jiān)督聚類再通過(guò)文獻(xiàn)調(diào)研進(jìn)行細(xì)胞類型預(yù)測(cè)的方法在面對(duì)日益增長(zhǎng)的數(shù)據(jù)規(guī)模需要耗費(fèi)大量的時(shí)間。而隨著單細(xì)胞測(cè)序技術(shù)的發(fā)展,一個(gè)關(guān)鍵的分析挑戰(zhàn)是如何充分利用已有信息整合成的參考圖譜以更好地對(duì)新的測(cè)序數(shù)據(jù)的細(xì)胞類型進(jìn)行識(shí)別。在這里,我們提出了一個(gè)新的遷移學(xué)習(xí)算法,通過(guò)對(duì)參考圖譜和新的測(cè)序數(shù)據(jù)分別構(gòu)建神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)數(shù)據(jù)降維和類標(biāo)遷移的目的。對(duì)于參考圖譜數(shù)據(jù),基于深度分類模型構(gòu)建維度遞減的三層非線性神經(jīng)網(wǎng)絡(luò)以獲得參考圖譜數(shù)據(jù)的編碼特征并以此訓(xùn)練分類器;對(duì)于新的測(cè)序數(shù)據(jù),構(gòu)建自編碼器以保存數(shù)據(jù)原始的全局結(jié)構(gòu)并且利用自編碼器學(xué)習(xí)的編碼特征完成細(xì)胞類型的預(yù)測(cè);建立屬于相同類型的樣本的分布應(yīng)趨于相同的假設(shè)將參考圖譜的類別信息遷移到新的測(cè)序數(shù)據(jù)中以獲得新的測(cè)序數(shù)據(jù)的細(xì)胞類型信息。我們通過(guò)在人類胰腺組織數(shù)據(jù)集和人類外周血單核細(xì)胞數(shù)據(jù)集上實(shí)驗(yàn)發(fā)現(xiàn)本文方法的學(xué)習(xí)過(guò)程對(duì)于由測(cè)序技術(shù)和平臺(tái)導(dǎo)致的批次效應(yīng)有一定的校正... 

【文章來(lái)源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 貢獻(xiàn)與創(chuàng)新
    1.4 本文的組織結(jié)構(gòu)
第二章 理論基礎(chǔ)
    2.1 深度學(xué)習(xí)
        2.1.1 自編碼器
        2.1.2 深度分類模型
        2.1.3 神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法
    2.2 遷移學(xué)習(xí)
        2.3.1 遷移學(xué)習(xí)背景
        2.3.2 基本概念
        2.3.3 領(lǐng)域自適應(yīng)
第三章 聯(lián)合神經(jīng)網(wǎng)絡(luò)細(xì)胞類型預(yù)測(cè)模型
    3.1 模型的概述
        3.1.1 源域的神經(jīng)網(wǎng)絡(luò)的構(gòu)建
        3.1.2 目標(biāo)域細(xì)胞類型的預(yù)測(cè)
        3.1.3 模型總結(jié)
    3.2 算法流程
第四章 結(jié)果展示與應(yīng)用
    4.1 數(shù)據(jù)與評(píng)估準(zhǔn)則
        4.1.1 人類胰腺組織數(shù)據(jù)集
        4.1.2 人類外周血單核細(xì)胞數(shù)據(jù)集
        4.1.3 評(píng)估準(zhǔn)則
    4.2 實(shí)驗(yàn)結(jié)果
        4.2.1 數(shù)據(jù)預(yù)處理
        4.2.2 迭代過(guò)程可視化
        4.2.3 批次效應(yīng)校正可視化
        4.2.4 細(xì)胞類型預(yù)測(cè)結(jié)果比較
第五章 總結(jié)與展望
參考文獻(xiàn)
附錄
致謝



本文編號(hào)：3172845