类似性辅助的变异自编码器用于非线性维度缩小,并应用于单细胞RNA测序数据

科学领域:

• 计算生物学是一种计算生物学.
• 机器学习是机器学习.
• 数据可视化数据可视化

背景情况:

• 深度生成模型,如变化自编码器 (VAE),用于非线性维度缩小和可视化大型数据集.
• VAE可以将样本映射到潜在空间并生成数据,但通常很难在没有注释的情况下清晰地显示分组模式.
• 基于相似性的方法 (例如,t-SNE,UMAP) 显示了明确的分组,但缺乏编码器/解码器结构.

研究的目的:

• 增强变异自动编码器 (VAE) 以更清晰地可视化复杂的数据集.
• 将相似性信息集成到 VAE 框架中,以改进隐性空间表示.
• 为生物应用开发一个有条件的VAE,考虑共变效应.

主要方法:

• 通过将相似性信息纳入变化自编码器 (VAE) 框架,提出了一种新的方法.
• 将VAE方法扩展到有条件的VAE,以在缩小尺寸时管理共变量效应.
• 利用UMAP损失函数在VAE中编码相似信息.

主要成果:

• 与现有方法相比,拟议的方法在产生清晰的分组结构方面表现优越.
• 实现了单细胞RNA测序数据集的有效尺寸缩小,揭示了隐藏的模式.
• 成功调整了共变量效应,导致更易于解释和更有用的尺寸缩小结果.

结论:

• 新的VAE方法通过利用数据相似性,有效地产生了更清晰的生物分组模式.
• 整合相似性信息,特别是通过UMAP损失函数,可以提高VAE的性能.
• 该方法为大规模的生物数据分析提供了改进的维度缩小.