單細胞轉錄組測序技術的興起,將人們的研究聚焦于一個細致的精度——細胞。所屬不同類型的細胞構成了人體組織的異質性,而單細胞轉錄組測序數據從基因表達的水平幫助我們理解與解釋單個細胞的性質與組織的異質性。當前基于無監(jiān)督聚類再通過文獻調研進行細胞類型預測的方法在面對日益增長的數據規(guī)模需要耗費大量的時間。而隨著單細胞測序技術的發(fā)展,一個關鍵的分析挑戰(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新的測序數據的細胞類型進行識別。在這里,我們提出了一個新的遷移學習算法,通過對參考圖譜和新的測序數據分別構建神經網絡以實現數據降維和類標遷移的目的。對于參考圖譜數據,基于深度分類模型構建維度遞減的三層非線性神經網絡以獲得參考圖譜數據的編碼特征并以此訓練分類器;對于新的測序數據,構建自編碼器以保存數據原始的全局結構并且利用自編碼器學習的編碼特征完成細胞類型的預測;建立屬于相同類型的樣本的分布應趨于相同的假設將參考圖譜的類別信息遷移到新的測序數據中以獲得新的測序數據的細胞類型信息。我們通過在人類胰腺組織數據集和人類外周血單核細胞數據集上實驗發(fā)現本文方法的學習過程對于由測序技術和平臺導致的批次效應有一定的校正... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數】：50 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現狀
    1.3 貢獻與創(chuàng)新
    1.4 本文的組織結構
第二章 理論基礎
    2.1 深度學習
        2.1.1 自編碼器
        2.1.2 深度分類模型
        2.1.3 神經網絡的優(yōu)化算法
    2.2 遷移學習
        2.3.1 遷移學習背景
        2.3.2 基本概念
        2.3.3 領域自適應
第三章 聯合神經網絡細胞類型預測模型
    3.1 模型的概述
        3.1.1 源域的神經網絡的構建
        3.1.2 目標域細胞類型的預測
        3.1.3 模型總結
    3.2 算法流程
第四章 結果展示與應用
    4.1 數據與評估準則
        4.1.1 人類胰腺組織數據集
        4.1.2 人類外周血單核細胞數據集
        4.1.3 評估準則
    4.2 實驗結果
        4.2.1 數據預處理
        4.2.2 迭代過程可視化
        4.2.3 批次效應校正可視化
        4.2.4 細胞類型預測結果比較
第五章 總結與展望
參考文獻
附錄
致謝



本文編號：3172845