通过自然梯度变异推理对高斯混合模型使用半监督转移学习进行omic数据的集群:方法和应用到批量和单细胞转录组学

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.
• 机器学习 机器学习

背景情况:

• 高通量技术产生高维的数据.
• 小样本大小挑战基于模型的聚类,如高斯混合模型.
• 现有的方法与一般化和模型不稳定性作斗争.

研究的目的:

• 开发一个新的框架,Praxis-BGM,用于对高维的OMIC数据进行强有力的聚类.
• 通过结合信息先验,使半监督转移学习成为可能.
• 为了提高模型的概括性和生物解释性.

主要方法:

• 为高斯混合模型开发了一个自然梯度变异推理框架 (Praxis-BGM).
• 整合了集群特定的手段,协差和结构连接,从参考数据作为信息先验.
• 使用变量在线牛顿算法进行自然梯度更新和贝叶斯因子进行特征选择.
• 使用JAX实现高效,可扩展的计算.

主要成果:

• 实践-BGM证明了计算效率和可扩展性.
• 通过大量的转录基因数据成功应用于乳腺癌亚型.
• 在人类胰腺研究中,在不同单细胞RNA-seq技术之间有效地转移细胞类型注释.
• 提高了半监督集群准确性和生物解释性,即使有部分不匹配的先验.

结论:

• 普拉克西斯-BGM提供了一种强大而高效的方法,用于集群高维的欧米数据.
• 该框架有效地利用了对半监督转移学习的先验知识.
• 普拉克西斯-BGM提高了在奥米克数据分析中的生物解释性.