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: 2023118033085
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
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.基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类方法,其特征在于:包括如下步骤:Step1、准备若干通用公开的单细胞RNA序列数据集用于网络训练;

Step2、对单细胞RNA序列数据进行预处理,筛选出在每个细胞中都表达的基因以及至少有一个基因表达的细胞,并提取前若干个高表达量基因用于网络训练;

Step3、构建基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类网络,整个网络由一个噪声图构造模块、一个图结构优化模块、一个特征学习模块和一个自监督模块构成;噪声图构造模块模拟现实中的噪声对图结构进行干扰,图结构优化模块对噪声图结构进行优化,学习一个干净的图结构,然后特征学习模块对干净的图结构进行表征学习;

Step4、用单细胞RNA序列数据集对基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类网络进行训练,并在每次训练完成后用四个聚类评价指标对训练后的网络进行验证;

Step5、将单细胞RNA序列数据输入训练好的基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类网络,得到单细胞RNA序列数据中每个细胞的聚类标签,完成单细胞RNA序列数据聚类;

所述Step3的具体步骤如下:

Step3.1、搭建由图卷积网络、Relu激活函数层串联构成的噪声图构造模块;

Step3.2、搭建由残差图卷积网络和若干项约束构成的图结构优化模块;

Step3.3、搭建由图卷积网络和残差神经网络构成的特征学习模块;

Step3.4、搭建由预测分布和目标分布构成的自监督模块。

2.根据权利要求1所述的基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类方法,其特征在于:所述Step3.1的具体步骤如下:Step3.1.1、设计包含三种噪声干扰方式的算法,分别为去除边,增加边,随意翻转边;

Step3.1.2、 设置干扰比例,选择干扰方式;

Step3.1.3、 输入预处理后的数据,计算邻接矩阵,通过矩阵计算得到干扰后的图结构。

3.根据权利要求1所述的基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类方法,其特征在于:所述Step3.2中,图结构优化模块由一个包含7层图神经网络的残差图卷积网络和5项相关约束组成;

所述残差图卷积网络为图神经网络和残差神经网络的组合,图神经网络每一次计算后,都加上第一层原始输入的特征值作为残差块;

所述5项相关约束为:约束学习到的干净邻接矩阵与高噪声矩阵的F范数约束,低秩与稀疏约束的一范数与和范数,保证特征平滑的图正则化约束以及提高聚类精度的谱聚类约束;

每次图结构优化后都进行图结构的更新以及特征的更新。

4.根据权利要求1所述的基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类方法,其特征在于:所述Step3.4中,自监督模块通过计算目标分布与预测分布之间的KL散度实现;

所述预测分布是Step3.3学习到的特征潜在分布;其公式表示为:;

其中o是t分布的自由度,是图卷积网络的输出,是聚类簇心,看做是预测分布;

所述目标分布是由预测分布计算而来的一种分布,其公式表示为:;

KL散度计算公式为:

。

5.根据权利要求1所述的基于鲁棒性残差图卷积网络的单细胞RNA序列数据聚类方法,其特征在于:所述Step4中,通过ACC值,NMI值,ARI值,FMI值评估聚类性能,这四个值的计算公式如下:;

其中是真实标签,Y是预测标签,N表示细胞数量;

;

其中表示互信息,表示信息熵;

;

其中:

;

TP和TN表示真正例和假正例,FP和FN分别表示假正例和假负例;

;

其中a表示在真实标签和预测标签中都属于同一个簇的细胞数量,b表示在真实标签中属于同一个簇但在预测标签中属于不同簇的细胞数量,c表示在真实标签中属于不同的簇但在预测标签中属于同一个簇的细胞数量;

以上四个评价指标最大值为1,值越接近1,表明聚类效果越好。