[发明专利]一种基于深度学习的单细胞类型智能识别方法

说明书

本发明涉及一种基于深度学习的单细胞类型智能识别方法，包括基于Transformer和卷积神经网络的深度学习神经网络。包括：1)收集整理人类各个组织器官的细胞数据，通过LDA降维方法对原始数据进行降维，进行数据的预处理；2)将处理好的数据输入新的Transformer和卷积神经网络结合的深度学习网络，进行数据的自动特征提取和识别，训练深度学习网络；3)输入线性分类器进行单细胞类型的识别，输出各个类别的可能性。

技术领域

本发明涉及单细胞类型识别技术领域，具体涉及一种基于深度学习的单细胞类型智能识别方法。

背景技术

细胞类型识别是对生物现象、疾病发病机制、细胞谱系、细胞分化轨迹或细胞间通讯分析的关键步骤，现行的策略主要分为两种类型，基于无监督方法的注释策略和基于有监督方法的注释策略。基于无监督方法的注释应用聚类将细胞分为不同的簇，通过预先知道的细胞标志物在簇上定位差异表达的基因，该方法需要关于已知细胞标记的先验知识。随着簇数的增加和簇标记基因的多重选择，该细胞注释协议的重复性可能会进一步降低。基于有监督方法的注释通过比较单个细胞和大量或单个细胞RNA-seq图谱的参考数据库之间的相似性来确定潜在的细胞身份。单细胞转录数据的准确细胞类型注释仍然是一个巨大的挑战。

深度学习的最新进展使人工智能技术在整合大数据、整合现有知识和学习任意复杂关系的能力方面取得了重大进展，鉴于深度学习在众多预测任务中实现的最先进的准确性，它已越来越多地被用于生物研究和生物医学应用。借助人工智能深度学习，同时结合生物方面的知识等，创造出安全、高效的辅助医学从业人员的单细胞类别判断工具，进而为对细胞的研究提供更有效的帮助，这便是基于深度学习的单细胞类型智能识别系统。

单细胞的种类以及形态多种多样，使得在模型训练过程中需要非常多的单细胞基因表达矩阵数据。现有常用的做法是应用聚类的方法进行细胞的聚类，再使用特征基因进行各类别的区分，对于不熟悉单细胞生物性质的用户来说具有一定的难度。现有的一些基于深度学习的方法，利用神经网络模型对大量的单细胞数据集进行训练，随后得到相应的识别结果并反馈给用户，但往往识别的准确率不高，给单细胞的分类带来了极大的挑战。据调查，目前市场上绝大部分的深度学习模型还不能完成上述的任务。

发明内容

本发明的目的是为了解决上述单细胞类别预测领域所存在的困难，提供一种基于深度学习的单细胞类型智能识别方法，能够帮助用户更快速地进行正确的判断，提高单细胞分类的准确率。本发明的技术方案如下：

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。

进一步的，所述基于深度学习的单细胞类型识别算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智能诊断，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诊断的神经网络模型，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。