一种基于深度学习的单细胞类型智能识别方法技术

本发明专利技术涉及一种基于深度学习的单细胞类型智能识别方法，包括基于Transformer和卷积神经网络的深度学习神经网络。包括：1)收集整理人类各个组织器官的细胞数据，通过LDA降维方法对原始数据进行降维，进行数据的预处理；2)将处理好的数据输入新的Transformer和卷积神经网络结合的深度学习网络，进行数据的自动特征提取和识别，训练深度学习网络；3)输入线性分类器进行单细胞类型的识别，输出各个类别的可能性。的可能性。的可能性。

【技术实现步骤摘要】
一种基于深度学习的单细胞类型智能识别方法


[0001]本专利技术涉及单细胞类型识别
，具体涉及一种基于深度学习的单细胞类型智能识别方法。

技术介绍

[0002]细胞类型识别是对生物现象、疾病发病机制、细胞谱系、细胞分化轨迹或细胞间通讯分析的关键步骤，现行的策略主要分为两种类型，基于无监督方法的注释策略和基于有监督方法的注释策略。基于无监督方法的注释应用聚类将细胞分为不同的簇，通过预先知道的细胞标志物在簇上定位差异表达的基因，该方法需要关于已知细胞标记的先验知识。随着簇数的增加和簇标记基因的多重选择，该细胞注释协议的重复性可能会进一步降低。基于有监督方法的注释通过比较单个细胞和大量或单个细胞RNA
‑
seq图谱的参考数据库之间的相似性来确定潜在的细胞身份。单细胞转录数据的准确细胞类型注释仍然是一个巨大的挑战。
[0003]深度学习的最新进展使人工智能技术在整合大数据、整合现有知识和学习任意复杂关系的能力方面取得了重大进展，鉴于深度学习在众多预测任务中实现的最先进的准确性，它已越来越多地被用于生物研究和生物医学应用。借助人工智能深度学习，同时结合生物方面的知识等，创造出安全、高效的辅助医学从业人员的单细胞类别判断工具，进而为对细胞的研究提供更有效的帮助，这便是基于深度学习的单细胞类型智能识别系统。
[0004]单细胞的种类以及形态多种多样，使得在模型训练过程中需要非常多的单细胞基因表达矩阵数据。现有常用的做法是应用聚类的方法进行细胞的聚类，再使用特征基因进行各类别的区分，对于不熟悉单细胞生物性质的用户来说具有一定的难度。现有的一些基于深度学习的方法，利用神经网络模型对大量的单细胞数据集进行训练，随后得到相应的识别结果并反馈给用户，但往往识别的准确率不高，给单细胞的分类带来了极大的挑战。据调查，目前市场上绝大部分的深度学习模型还不能完成上述的任务。

技术实现思路

[0005]本专利技术的目的是为了解决上述单细胞类别预测领域所存在的困难，提供一种基于深度学习的单细胞类型智能识别方法，能够帮助用户更快速地进行正确的判断，提高单细胞分类的准确率。本专利技术的技术方案如下：
[0006]一种基于深度学习的单细胞类型智能识别方法，其特征在于：包括降维部分、加权特征提取器部分和线性分类器部分；
[0007]降维部分，主要是用于对细胞的基因表达矩阵进行降维，将高维的样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩空间维数的效果，投影后保证样本在新的子空间有最大的类间距离和最小的类内距离，即样本在该空间中有最佳的可分离性；
[0008]加权特征提取器部分，主要用于对经过预处理的基因表达矩阵进行特征提取，使用基于Transformer的深度学习算法，将Transformer与卷积神经网络相结合，分析降维后
的基因表达矩阵的关键特征，同时将数据传输至下一层的线性分类器部分；
[0009]线性分类器部分，主要用于单细胞的类别预测，对信息进行整理与分析，输出每个类别的可能性，准确判断数据集中的每个细胞所属的类别。
[0010]进一步的，所述基于深度学习的单细胞类型识别算法包括数据预处理阶段、训练阶段以及识别阶段三个阶段，通过所选择的降维方法进行数据的预处理，筛选出最具有代表性的数据特征，通过改进的Transformer和卷积神经网络对开源的人类各组织器官细胞数据库中的单细胞基因表达矩阵自动提取特征和智能诊断，通过和数据库中标记的细胞类别标签进行比较，不断迭代训练模型从而提高识别准确率，最终学习到一个用于诊断的神经网络模型，将这个训练好的神经网络模型用于对用户新上传的单细胞数据进行识别，继而得到新的识别结果并反馈给用户。
[0011]进一步的，所述基于深度学习的单细胞类型智能识别方法的训练阶段具体包括：
[0012]1)利用基于机器学习的数据降维算法对人类组织器官单细胞数据库中的单细胞数据基因表达矩阵进行降维操作，进行数据的预处理，筛选出具有代表性的特征；
[0013]2)对筛选出的特征矩阵进行转置、取正数等处理，使其可以输入到深度学习网络中；
[0014]3)利用基于深度学习的单细胞特征提取算法将上一步预处理过的单细胞基因表达矩阵进行特征提取和学习，将预处理后的数据输入到一个Transformer和卷积神经网络结合的深度学习网络进行训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络模型。
[0015]进一步的，所述基于深度学习的单细胞类型智能识别方法的识别阶段具体包括：
[0016]1)利用基于机器学习的LDA数据降维算法对人类组织器官单细胞数据库中的单细胞数据基因表达矩阵进行降维操作，进行数据的预处理，筛选出对区分不同细胞类型最有效的特征；
[0017]2)利用基于深度学习的单细胞特征提取算法将上一步预处理过的单细胞基因表达矩阵进行特征提取和学习，将预处理后的数据输入到一个Transformer和卷积神经网络结合的深度学习网络进行训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络模型；
[0018]3)将要预测的单细胞数据输入到训练好的模型中进行细胞类别的预测，实现用户的需求。
[0019]进一步的，所述基于深度学习的单细胞类别智能识别算法中的基于Transformer的网络结构包括数据预处理阶段、Transformer特征提取阶段、卷积神经网络阶段和线性分类器阶段，所述数据预处理阶段包括对单细胞基因表达矩阵数据的降维操作；Transformer特征提取阶段包括编码和解码等操作，对预处理后的数据进行关键信息的提取和学习；卷积神经网络阶段包含多维的卷积与池化操作，对Transformer处理过的数据进行进一步的特征提取，线性分类器阶段是一个全连接层，对经过特征提取的数据进行最后的识别处理。
[0020]一种所述的基于深度学习的单细胞类型智能识别方法，其包括以下步骤：
[0021]1)首先通过下载开源的人类各组织器官单细胞基因表达矩阵作为系统进行智能诊断的数据源，利用基于机器学习的LDA数据降维算法对数据进行降维操作，完成数据的预处理；
[0022]2)将经过降维部分处理之后的单细胞基因表达数据传输给特征提取组件，利用全新的Transformer和卷积神经网络结合的深度学习算法进行特征的提取和学习，进行深度学习网络的训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络模型；
[0023]3)将要预测的单细胞数据输入到训练好的模型中进行细胞类别的预测，最终生成识别结果并反馈给用户。
[0024]本专利技术的有益效果如下：
[0025]本专利技术针对单细胞分类方面需求逐渐增加，分类效果不佳，需要较多生物方面先验知识等问题，提供了一种基于深度学习的单细胞类型智能识别方法，利用单细胞基因表达矩阵数据以及深度学习等技术，实现了对单细胞数据的特征自动提取和智能分类，整个分类过程实现了自动化，无需医学从业人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的单细胞类型智能识别方法，其特征在于：包括降维部分、加权特征提取器部分和线性分类器部分；降维部分，主要是用于对细胞的基因表达矩阵进行降维，将高维的样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩空间维数的效果，投影后保证样本在新的子空间有最大的类间距离和最小的类内距离，即样本在该空间中有最佳的可分离性；加权特征提取器部分，主要用于对经过预处理的基因表达矩阵进行特征提取，使用基于Transformer的深度学习算法，将Transformer与卷积神经网络相结合，分析降维后的基因表达矩阵的关键特征，同时将数据传输至下一层的线性分类器部分；线性分类器部分，主要用于单细胞的类别预测，对信息进行整理与分析，输出每个类别的可能性，准确判断数据集中的每个细胞所属的类别。2.根据权利要求1所述的基于深度学习的单细胞类型智能识别方法，包括数据预处理阶段、训练阶段以及识别阶段三个阶段，通过所选择的降维方法进行数据的预处理，筛选出最具有代表性的数据特征，通过改进的Transformer和卷积神经网络对开源的人类各组织器官细胞数据库中的单细胞基因表达矩阵自动提取特征和进行特征的学习，通过和数据库中标记的细胞类别标签进行比较，不断迭代训练模型从而提高识别准确率，最终学习到一个用于分类的神经网络模型，将这个训练好的神经网络模型用于对用户新上传的单细胞数据进行识别，继而得到新的识别结果并反馈给用户。3.根据权利要求2所述的基于深度学习的单细胞类型智能识别方法，其特征在于，单细胞类别预测算法的训练阶段具体包括：1)利用基于机器学习的数据降维算法对人类组织器官单细胞数据库中的单细胞数据基因表达矩阵进行降维操作，进行数据的预处理，筛选出具有代表性的特征；2)对筛选出的特征矩阵进行转置、取正数等处理，使其可以输入到深度学习网络中；3)利用基于深度学习的单细胞特征提取算法将上一步预处理过的单细胞基因表达矩阵进行特征提取和学习，将预处理后的数据输入到一个Transformer和卷积神经网络有机结合的深度学习网络进行训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络...

【专利技术属性】
技术研发人员：代欢欢，王干，张旭东，张莹，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：