探索自编码器设计的优化,以赋予单细胞RNA测序数据

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 单细胞RNA测序 (scRNA-seq) 数据经常存在稀疏性,需要归算方法.
• 自动编码器被广泛用于scRNA-seq数据归算,但最优的设计选择尚未确立.
• 有效的归算对于精确的下游分析至关重要,例如细胞聚类和差异性基因表达.

研究的目的:

• 实证地研究自编码器架构和超参数对scRNA-seq数据归算的影响.
• 为优化单细胞生物信息学中的自编码器设计提供实际指导.
• 将发现与其他机器学习领域的常见实践进行比较.

主要方法:

• 利用各种真实和模拟的scRNA-seq数据集.
• 系统地评估各种神经网络架构 (深度,宽度).
• 评估了不同的激活功能 (例如,sigmoid,tanh,ReLU) 和调节策略.

主要成果:

• 更深入和更窄的自动编码器架构通常会提高归算性能.
• 西格和tanh激活功能始终表现优于ReLU和其他常见功能.
• 规范化提高了归算准确性和下游细胞聚类和差异表达分析的可靠性.

结论:

• 该研究提供了基于证据的建议,用于scRNA-seq赋值中的自编码器设计.
• 最佳的自动编码器配置与计算机视觉中常用的不同.
• 这些发现有助于对scRNA-seq数据进行更准确,更强大的分析.