一种基于先验约束的单细胞多组学非匹配数据整合方法
本发明涉及计算生物学,具体涉及一种基于先验约束的单细胞多组学非匹配数据整合方法。
背景技术:
1、在相关技术中,现有技术在整合多组学数据时,大多依赖atac(assay fortransposase-accessible chromatin,转座酶可及染色质检测)数据的基因活性进行对齐,难以充分建模跨模态深层调控语义,易出现语义错配与细胞类型对齐偏差。其中,将atac峰信号压缩为基因层特征还会丢失远端调控信息,影响细粒度细胞状态区分能力。
2、现有的部分方法虽能利用峰级信息进行整合,但在高维、极稀疏atac场景下仍面临建模困难与噪声干扰,对复杂拓扑关系刻画不足,在不平衡细胞群及跨条件任务中容易出现聚类失真或细胞混叠的情况。需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明提供一种基于先验约束的单细胞多组学非匹配数据整合方法,能够在实现高精度对齐的同时保留细胞异质性,并在不平衡及跨条件等复杂场景下保持稳定性能,实现准确且高效的多组学数据整合,从而能够在一定程度上克服现有技术中存在的缺陷。
2、本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
3、根据本发明的第一方面,提供一种基于先验约束的单细胞多组学非匹配数据整合方法,所述方法包括:
4、获取待处理的单细胞多组学非匹配数据,按预设规则对待处理数据进行预处理以获取筛除异常数据后的数据集;其中,待处理的单细胞多组学非匹配数据包括:非匹配的转录组数据scrna-seq和染色质可及性数据scatac-seq;
5、基于基因对染色质可及性的调控关系提取数据集中的基因gene、开放染色质峰peak,并根据gene与peak之间的调控强度配置连接权重,以构建gene-peak关系图;
6、利用rna异构编码器对数据集中的转录组rna数据进行特征提取,以获取rna特征;以及,利用atac异构编码器对数据集中的atac数据进行特征提取,以获取atac特征;其中,rna特征用于表示基因表达的连续语义特征;atac特征用于表示高维稀疏、近二值峰信号,和可及性特征;
7、对rna特征、atac特征映射至共享潜空间,形成初始跨模态低维嵌入;并将rna低维嵌入、atac低维嵌入和gene-peak关系图输入基于先验约束的数据整合模型进行跨模态整合,以获取整合数据。
8、在一些示例性实施方式中,按预设规则进行预处理,以获取筛除异常数据后的数据集,包括:
9、删除单细胞染色质可及性scatac-seq数据测序深度少于1800个的低质量细胞和/或超过100000个的异常细胞,以完成atac数据过滤;
10、并对过滤后的atac数据使用隐含语义索引lsi方法进行线性降维处理;以及,
11、删除单细胞转录组scrna-seq数据中独特分子标识符少于1000个的低质量细胞和/或超过25000个的异常细胞,删除核小体信号超过2的染色质结构异常细胞,删除转录起始位点富集分数不超过1的染色质开放性较差细胞,以完成对rna数据过滤;
12、并对过滤后的rna数据进行依次执行归一化、对数化处理;并利用主成分分析pca方法进行线性降维处理。
13、在一些示例性实施方式中,将rna低维嵌入、atac低维嵌入和gene-peak关系图输入基于先验约束的数据整合模型进行跨模态整合,包括:
14、以rna低维嵌入作为查询向量,以atac低维嵌入作为键向量和值向量,建立多头跨模态注意力特征;
15、将gene-peak关系图转换为注意力掩码,并结合多头跨模态注意力特征确定先验约束后的注意力权重矩阵,包括:
16、
17、其中,表示注意力掩码中定义的基因和开放染色质峰之间的调控潜力;表示细胞的rna表征经过异构编码器后得到的低维嵌入;表示细胞的atac表征经过异构编码器后得到的低维嵌入;
18、利用先验约束后的注意力权重矩阵,对值向量、查询向量进行特征融合,得到初始融合表示;
19、对初始融合表示,通过残差连接与层归一化保持原始模态语义稳定得到最终融合表示,包括:
20、
21、其中,ffn表示前馈网络;表示层归一化。
22、在一些示例性实施方式中,所述方法还包括:训练基于先验约束的数据整合模型,包括:
23、从测序数据集中获取单细胞多组学非匹配数据,并按预设规则进行预处理,以获取筛除异常数据后的数据集;其中,单细胞多组学非匹配数据包括:非匹配的转录组数据scrna-seq和染色质可及性数据scatac-seq;
24、基于基因对染色质可及性的调控关系提取数据集中的基因gene、开放染色质峰peak,并根据gene与peak之间的调控强度配置连接权重,以构建gene-peak关系图;
25、构建rna异构编码器,利用rna异构编码器对数据集中的转录组rna数据进行特征提取,以获取rna特征;以及,
26、构建atac异构编码器,利用atac异构编码器对数据集中的atac数据进行特征提取,以获取atac特征;其中,rna特征用于表示基因表达的连续语义特征;atac特征用于表示高维稀疏、近二值峰信号,和可及性特征;
27、对rna特征、atac特征映射至共享潜空间,形成初始跨模态低维嵌入;
28、构建重构损失,对 rna 与 atac 两模态分别进行解码重构,以用于约束潜在表示保留各自关键生物学信息;
29、将rna低维嵌入、atac低维嵌入和gene-peak关系图输入初始模型,以rna低维嵌入作为查询向量,以atac低维嵌入作为键向量和值向量,建立多头跨模态注意力特征;
30、将gene-peak关系图转换为注意力掩码,并结合多头跨模态注意力特征确定先验约束后的注意力权重矩阵,
31、利用先验约束后的注意力权重矩阵,对值向量、查询向量进行特征融合,得到初始融合表示;
32、对初始融合表示,通过残差连接与层归一化保持原始模态语义稳定得到最终融合表示;
33、构建对抗损失函数,用于以拉近两模态间的距离;基于对抗损失函数对初始模型进行反向传播训练至模型收敛,以获取训练完成的基于先验约束的数据整合模型;
34、利用k近邻方法计算rna数据与atac数据间的距离,通过多数投票法将数据进行分类,并基于分类结果进行标签转移。
35、在一些示例性实施方式中,重构损失包括:
36、
37、其中,表示细胞在rna上的表征;表示细胞在atac上的表征视图和染色质可及性视图中的表征;表示细胞的rna表征经过异构编码器后得到的低维嵌入;表示细胞的atac表征经过异构编码器后得到的低维嵌入。
38、在一些示例性实施方式中,构建对抗损失函数,用于以拉近两模态间的距离,包括:
39、在共享潜在表示空间中引入域判别器,将rna模态样本标记为源域、atac模态样本标记为目标域,采用二分类交叉熵定义域对抗损失,以用于度量两模态表示的可分性,公式表示为:
40、
41、其中,表示最终融合表示,表示期望。
42、根据本发明的第二方面,提供一种计算机程序产品,其上存储有计算机程序,计算机程序被处理器执行时实现上述的基于先验约束的单细胞多组学非匹配数据整合方法。
43、根据本发明的第三方面,提供一种电子设备,包括:
44、处理器;以及
45、存储器,用于存储所述处理器的可执行指令;
46、其中,所述处理器配置为经由执行所述可执行指令时实现上述的基于先验约束的单细胞多组学非匹配数据整合方法。
47、根据本发明的第四方面,提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于先验约束的单细胞多组学非匹配数据整合方法。
48、本发明的实施例所提供的基于先验约束的单细胞多组学非匹配数据整合方法,通过在数据整合过程中直接使用atac的peak数据,并利用异构编码器分别对转录组rna数据、atac数据分别进行特征提取,实现rna异构编码器提取基因表达的连续语义表示,atac编码器提取高维稀疏、近二值峰信号并提取可及性表示,同时构建gene-peak关系图用于指导细胞间的潜在联系,从而为对齐模态和区分细胞异质性提供重要指导。数据整合模型通过设计先验约束来对齐模态,实现模态整合的同时有效保留了细胞特异性。本发明在整合单细胞多组学非匹配数据的对齐精准度上更高,并且可以明显区分不同子型、不同条件下的细胞,有效识别细胞异质性。
49、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com