欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022100035147
申请人: 山东建筑大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-17
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于卷积神经网络的细胞反卷积方法,包括以下步骤:(1)使用单细胞RNA测序数据模拟人工组织,确定一个模拟人工组织中的细胞总数K和需要生成的人工组织个数Q;从单细胞RNA测序数据中抽取K个细胞,合并抽取细胞的基因表达矩阵形成模拟人工组织的基因表达矩阵 为模拟组织的特征,并记录该组织各个类型细胞所占比例 作为该组织的标记信息,  为某细胞类型占该组织的细胞比例数;t为该组织细胞类型数目;所述的K为大于1的正整数,Q为大于1的正整数;

(2)对步骤(1)所得的模拟人工组织 进行特征筛选,并对每个特征 执行转化到对数空间和归一化操作,通过以上处理,得到数据集;

(3)对步骤(2)中得到的数据集 ,数据集 若来源于s个不同数据集,将其分为训练集 和测试集 进行s折交叉验证,训练集由s‑1个来源不同的数据组成,测试集由剩下的1个来源的部分数据组成,确定batch size的大小,在训练 集中随机抽取batch size个数据 作为一次训练的输入数据;

(4)从步骤(3)中输入数据中获得组织的细胞类型数目t作为该卷积神经网络的全连接模块中最后一层神经元的个数,构建卷积神经网络模型Cbccon,确定模型的学习率learning rate,模型训练测次数step,模型的优化算法optimized algorithm;将步骤(3)中的 作为一次训练的数据输入Cbccon模型中进行模型训练,得到预测的组织细胞比例 (1≤i≤t)为训练集预测的某细胞类型占该组织的细胞比例数;通过公式 计算细胞比例预测值和真实值之间计算损失函数, 是该组织真实的细胞分数标签, 是训练集该组织细预测的细胞比例,利用优化算法对损失函数 进行优化;依据步骤(3)中再随机抽取step‑1次的 继续训练,训练完毕后,保存训练好的Cbccon模型中参数;

(5)使用步骤(4)中训练好的Cbccon模型进行数据预测,将 输入训练好的模型中,得到预测结果即预测的测试集的组织细胞类型比例 (1≤i≤t)为测试集数据中预测的某细胞类型占该组织的细胞比例数。

2.根据权利要求1所述的基于卷积神经网络的细胞反卷积方法,其特征在于:所述的K为100‑5000,所述的Q为1000‑100000。

3.根据权利要求1所述的基于卷积神经网络的细胞反卷积方法,其特征在于:步骤(1)中所述的使用单细胞RNA测序数据进行模拟包括以下步骤:(1‑1)通过公式 (1≤i≤t)确定单个模拟的细胞组织中各个细胞类型的比例,即确定模拟组织的标记信息 为某细胞类型占该模拟组织的细胞比例数; 是为单个细胞类型的创建的随机数,  取值在[0,1]之间,是为所有细胞类型创建的随机数的总和, ;

(1‑2)通过公式 (1≤i≤t)确定单个模拟的细胞组织实际应抽取的各个细胞类型的细胞数目,即确定为单个模拟细胞组织的各个细胞类型抽取的细胞个数为某模拟组织单个细胞类型应抽取的细胞数,是为某细胞类型占该模拟组织的细胞比例数,K是设定的一个模拟人工组织中的细胞总数,为单个模拟的细胞组织实际应抽取的各个细胞类型的细胞数目, 。

4.根据权利要求1所述的基于卷积神经网络的细胞反卷积方法,其特征在于:步骤(2)中所述的对模拟人工组织X进行数据预处理包括以下步骤:(2‑1)通过公式 将 数据转换到对数空间得到 ;

(2‑2)通过公式 (1≤i≤n,1≤j≤m)线性归一化 ,得到 。

5.根据权利要求1所述的基于卷积神经网络的细胞反卷积方法,其特征在于:步骤(3)中的batch size的取值为128。

6.根据权利要求1所述的基于卷积神经网络的细胞反卷积方法,其特征在于:步骤(4)中所述的Cbccon模型结构为卷积神经网络由为多个卷积层池化层和一个全连接层组成,使用了两个64个提取特征的filter卷积层,使用一层最大池化层减少特征数,使用了两个32个filter卷积层,使用一层最大池化减少特征数,使用了两个16个filter卷积层,使用一层最大池化减少特征数,使用了两个8个filter卷积层,使用一层最大池化减少特征数,使用了两个4个filter卷积层,使用一层最大池化减少特征数,再将数据输入压平层中,将数据转化为一维数据;最后使用三个全连接层,节点数分别是128,64,细胞种类的数;所有的卷积层均为一维,且卷积层的激活函数统一设置为relu函数,步长均为1,前两个全连接层使用relu激活函数,最后一个全连接层使用softmax层进行组织细胞比例预测。

7.根据权利要求1所述的基于卷积神经网络的细胞反卷积方法,其特征在于:步骤(4)中所述的Cbccon模型学习率learning rate的取值为0.0001,模型训练测次数step取值为

5000,模型的optimized algorithm设置为RMSprop算法。