[发明专利]一种基于深度学习的单细胞类型智能识别方法

权利要求书

1.一种基于深度学习的单细胞类型智能识别方法，其特征在于：包括降维部分、加权特征提取器部分和线性分类器部分；

降维部分，主要是用于对细胞的基因表达矩阵进行降维，将高维的样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩空间维数的效果，投影后保证样本在新的子空间有最大的类间距离和最小的类内距离，即样本在该空间中有最佳的可分离性；

加权特征提取器部分，主要用于对经过预处理的基因表达矩阵进行特征提取，使用基于Transformer的深度学习算法，将Transformer与卷积神经网络相结合，分析降维后的基因表达矩阵的关键特征，同时将数据传输至下一层的线性分类器部分；

线性分类器部分，主要用于单细胞的类别预测，对信息进行整理与分析，输出每个类别的可能性，准确判断数据集中的每个细胞所属的类别。

2.根据权利要求1所述的基于深度学习的单细胞类型智能识别方法，包括数据预处理阶段、训练阶段以及识别阶段三个阶段，通过所选择的降维方法进行数据的预处理，筛选出最具有代表性的数据特征，通过改进的Transformer和卷积神经网络对开源的人类各组织器官细胞数据库中的单细胞基因表达矩阵自动提取特征和进行特征的学习，通过和数据库中标记的细胞类别标签进行比较，不断迭代训练模型从而提高识别准确率，最终学习到一个用于分类的神经网络模型，将这个训练好的神经网络模型用于对用户新上传的单细胞数据进行识别，继而得到新的识别结果并反馈给用户。

3.根据权利要求2所述的基于深度学习的单细胞类型智能识别方法，其特征在于，单细胞类别预测算法的训练阶段具体包括：

1)利用基于机器学习的数据降维算法对人类组织器官单细胞数据库中的单细胞数据基因表达矩阵进行降维操作，进行数据的预处理，筛选出具有代表性的特征；

2)对筛选出的特征矩阵进行转置、取正数等处理，使其可以输入到深度学习网络中；

3)利用基于深度学习的单细胞特征提取算法将上一步预处理过的单细胞基因表达矩阵进行特征提取和学习，将预处理后的数据输入到一个Transformer和卷积神经网络有机结合的深度学习网络进行训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络模型。

4.根据权利要求2所述的基于深度学习的单细胞类型智能识别方法，其特征在于，单细胞类别智能识别算法的诊断步骤具体包括：

1)利用基于机器学习的LDA数据降维算法对人类组织器官单细胞数据库中的单细胞数据基因表达矩阵进行降维操作，进行数据的预处理，筛选出对区分不同细胞类型最有效的特征；

2)利用基于深度学习的单细胞特征提取算法将上一步预处理过的单细胞基因表达矩阵进行特征提取和学习，将预处理后的数据输入到一个Transformer和卷积神经网络结合的深度学习网络进行训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络模型；

3)将要预测的单细胞数据输入到训练好的模型中进行细胞类别的预测，实现用户的需求。

5.根据权利要求3和4所述的基于深度学习的单细胞类型智能识别方法，其特征在于，单细胞类别智能识别算法中的基于Transformer的网络结构包括数据预处理阶段、Transformer特征提取阶段、卷积神经网络阶段和线性分类器阶段，所述数据预处理阶段包括对单细胞基因表达矩阵数据的降维操作；Transformer特征提取阶段包括编码和解码等操作，对预处理后的数据进行关键信息的提取和学习；卷积神经网络阶段包含多维的卷积与池化操作，对Transformer处理过的数据进行进一步的特征提取，线性分类器阶段是一个全连接层，对经过特征提取的数据进行最后的识别处理。

6.根据权利要求5所述的基于深度学习的单细胞类型智能识别方法，其特征在于，包括以下步骤：

1)首先通过下载开源的人类各组织器官单细胞基因表达矩阵作为系统进行智能诊断的数据源，利用基于机器学习的LDA数据降维算法对数据进行降维操作，完成数据的预处理；

2)将经过降维部分处理之后的单细胞基因表达数据传输给特征提取组件，利用全新的Transformer和卷积神经网络结合的深度学习算法进行特征的提取和学习，进行深度学习网络的训练，不断迭代训练并对参数进行调优，最终学习到一个可以识别单细胞类别的神经网络模型；

3)将要预测的单细胞数据输入到训练好的模型中进行细胞类别的预测，最终生成识别结果并反馈给用户。