Home > Genomics > Main text

使用迁移学习对scRNA数据降噪

Tag: genomics, plot
2019-09-01

目录

背景

  • scRNA数据本身具有噪声及稀疏性
  • 低表达量的转录本不能被很准确的定量
  • 最近Nature method发表了一个方法SAVERX，通过对公共数据进行深度学习建模(autoencoder)，然后使用迁移学习对靶标数据进行降噪
  • 这里是对所有的表达量的数据的一个重新估计，不只是低丰度的或者没有值的，所以其功能不是imputation

模型

框架：20190902094740

  • 对于想要进行降噪处理的数据，分为3步进行
    • （A）选择与靶标数据对应的数据，比如不同的物种、细胞系，通过autoencoder学习一个降噪的模型
    • （B）通过cross-validation去除掉不能够预测的基因
    • （C）使用贝叶斯模型估计最终的去噪声后的值

效果评估

细胞系层次：先是在免疫细胞中进行了效果评估

20190902095108

  • 可以看到，使用了迁移学习的经验知识后，聚类效果是更好的，也就是分的更开（图a）
  • 一些marker基因也是的（图b）

物种层次：人和鼠的迁移

20190902095507

  • 从（a）可以看出，使用了已知数据学得的模型之后，聚类的效果更好了，不管是相同的物种的，还是其他物种的

If you link this blog, please refer to this page, thanks!
Post link：https://tsinghua-gongjing.github.io/posts/SAVER-X.html
Previous: 深度学习助力RNA可变剪切的预测

    Category

    Latest articles

    Links