近些年發(fā)展的基于高通量測(cè)序的單細(xì)胞RNA測(cè)序(single cell RNA-sequencing,scRNA-seq)技術(shù)能夠在單個(gè)細(xì)胞粒度上進(jìn)行基因表達(dá)測(cè)序,進(jìn)而可以獲得單個(gè)細(xì)胞內(nèi)數(shù)萬(wàn)個(gè)基因的表達(dá)信息,這為區(qū)分不同類型細(xì)胞的基因表達(dá)特征和全面揭示細(xì)胞之間的異質(zhì)性提供了支撐。但是由于測(cè)序技術(shù)的限制以及基因表達(dá)高度復(fù)雜等原因,單細(xì)胞RNA測(cè)序數(shù)據(jù)存在噪聲較大、維度過(guò)高、稀疏性較強(qiáng)等特點(diǎn),這導(dǎo)致傳統(tǒng)聚類技術(shù)對(duì)不同細(xì)胞種群的聚類精度較低。為了提高不同細(xì)胞種群的聚類精度,本文基于scRNA-seq數(shù)據(jù)對(duì)如何提高細(xì)胞種群識(shí)別的準(zhǔn)確率進(jìn)行了研究。通過(guò)分析傳統(tǒng)scRNA-seq數(shù)據(jù)處理方法在數(shù)據(jù)預(yù)處理、降維和聚類等方面存在的問(wèn)題,提出了利用自動(dòng)編碼器作為降維技術(shù)的方法。基于堆棧降噪自動(dòng)編碼器(Stacked Denoising Auto Encoder,SDAE)能夠最大程度降低數(shù)據(jù)損耗、對(duì)噪聲數(shù)據(jù)具有良好的處理能力等特點(diǎn),提出了SDAE-DBSCAN和SDAE-K-means兩種降維-聚類方法。實(shí)驗(yàn)表明,本文提出的降維-聚類方法降低了原有算法對(duì)參數(shù)的依賴性,提高了對(duì)細(xì)胞種群的聚類精度。主要研究?jī)?nèi)...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究的主要內(nèi)容
    1.4 論文的組織結(jié)構(gòu)安排
第2章 現(xiàn)有scRNA-seq數(shù)據(jù)處理方法分析
    2.1 數(shù)據(jù)格式及特點(diǎn)
    2.2 數(shù)據(jù)預(yù)處理
    2.3 數(shù)據(jù)降維
    2.4 數(shù)據(jù)聚類
    2.5 本章小結(jié)
第3章 scRNA-seq數(shù)據(jù)分析方案設(shè)計(jì)
    3.1 研究技術(shù)路線
    3.2 數(shù)據(jù)集
    3.3 實(shí)驗(yàn)環(huán)境
    3.4 數(shù)據(jù)預(yù)處理
    3.5 本章小結(jié)
第4章 基于堆棧降噪自動(dòng)編碼器的數(shù)據(jù)降維分析
    4.1 深度學(xué)習(xí)
    4.2 自動(dòng)編碼器
    4.3 降噪自動(dòng)編碼器
    4.4 堆棧降噪自動(dòng)編碼器
    4.5 實(shí)驗(yàn)分析
    4.6 本章小結(jié)
第5章 基于DBSCAN和 K-means的數(shù)據(jù)聚類分析
    5.1 自適應(yīng)計(jì)算參數(shù)值的DBSCAN聚類算法
    5.2 K-means聚類
    5.3 聚類結(jié)果評(píng)價(jià)指標(biāo)
    5.4 實(shí)驗(yàn)分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文主要工作與結(jié)論
    6.2 本文主要?jiǎng)?chuàng)新點(diǎn)
    6.3 本文存在的不足及未來(lái)研究方向
參考文獻(xiàn)
后記
攻讀碩士學(xué)位期間論文發(fā)表及科研情況



本文編號(hào)：3824820