本發(fā)明涉及生物信息，具體涉及一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法。

背景技術(shù)：

1、近年來，單細(xì)胞多組學(xué)技術(shù)不再局限于轉(zhuǎn)錄組，還包括表觀組、蛋白質(zhì)組等多個(gè)組學(xué)。該技術(shù)能夠同時(shí)檢測(cè)兩種或兩種以上的分子，例如single?cell?rna?sequencing(scrna-seq)與single?cell?atac?sequencing(scatac-seq)的聯(lián)合檢測(cè)，以及單細(xì)胞轉(zhuǎn)錄組、免疫組庫、表面蛋白的同時(shí)檢測(cè)等。這種綜合性的方法為單細(xì)胞水平上的研究提供了更全面、更精細(xì)、更完整的分析策略。特別是，scatac-seq(單細(xì)胞atac測(cè)序)允許我們?cè)趩渭?xì)胞水平上探索細(xì)胞之間的異質(zhì)性。通過檢測(cè)開放染色質(zhì)區(qū)域，我們可以識(shí)別不同的細(xì)胞類型、亞型和狀態(tài)，揭示細(xì)胞發(fā)育和分化的軌跡。

2、然而，由于染色質(zhì)可及性的變化較少且難以捕獲，scatac-seq通常極度稀疏且高維，難以直接識(shí)別細(xì)胞類型。相比之下，scrna-seq(單細(xì)胞rna測(cè)序)通常提供更豐富的基因表達(dá)信息，有助于更準(zhǔn)確地注釋和識(shí)別細(xì)胞類型。通過將細(xì)胞類型標(biāo)簽從scrna-seq傳遞到scatac-seq中，可以幫助研究人員整合這兩種組學(xué)數(shù)據(jù)集，以獲得更加全面的視角。

3、針對(duì)大規(guī)模且極度稀疏的多組學(xué)數(shù)據(jù)集，目前需要一種深度學(xué)習(xí)方法，用于實(shí)現(xiàn)scatac-seq與scrna-seq數(shù)據(jù)的集成。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決上述問題，提供一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法。

2、為了達(dá)到上述目的，本發(fā)明的技術(shù)方案如下：

3、本發(fā)明提供了一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法，包括以下步驟：

4、s1：對(duì)單細(xì)胞rna測(cè)序數(shù)據(jù)與單細(xì)胞atac測(cè)序數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)篩選與基因選擇兩個(gè)部分；

5、s2：構(gòu)建低維共享空間，使用自編碼器構(gòu)建一個(gè)兩種組學(xué)數(shù)據(jù)的低維共享空間；

6、s3：使用低維共享空間中的單細(xì)胞rna測(cè)序數(shù)據(jù)訓(xùn)練深度金字塔卷積神經(jīng)網(wǎng)絡(luò)；

7、s4：使用訓(xùn)練好的深度金字塔卷積神經(jīng)網(wǎng)絡(luò)，對(duì)單細(xì)胞atac測(cè)序數(shù)據(jù)進(jìn)行分類，得到細(xì)胞類型標(biāo)簽，實(shí)現(xiàn)單細(xì)胞rna測(cè)序數(shù)據(jù)與單細(xì)胞atac測(cè)序數(shù)據(jù)的數(shù)據(jù)整合。

8、本發(fā)明進(jìn)一步設(shè)置為：所述步驟s1具體為：

9、s1-1、數(shù)據(jù)采集：使用人類外周血單核細(xì)胞數(shù)據(jù)集；

10、s1-2、數(shù)據(jù)預(yù)處理，篩選出單細(xì)胞rna測(cè)序數(shù)據(jù)與單細(xì)胞atac測(cè)序數(shù)據(jù)中的高質(zhì)量數(shù)據(jù)，并且選擇二者共有的基因特征。

11、本發(fā)明進(jìn)一步設(shè)置為：所述步驟s2的具體操作為：利用帶有標(biāo)簽信息的單細(xì)胞rna測(cè)序數(shù)據(jù)集與未帶標(biāo)簽信息的單細(xì)胞atac測(cè)序數(shù)據(jù)集共同訓(xùn)練一個(gè)自編碼器，學(xué)習(xí)一個(gè)共享的低維嵌入空間，最大限度地增強(qiáng)兩種組學(xué)數(shù)據(jù)之間的相似性。

12、本發(fā)明進(jìn)一步設(shè)置為：所述步驟s3的具體操作為：學(xué)習(xí)不同細(xì)胞類型的分布，最后使用訓(xùn)練好的深度金字塔卷積神經(jīng)網(wǎng)絡(luò)對(duì)未帶標(biāo)簽的單細(xì)胞atac測(cè)序數(shù)據(jù)進(jìn)行分類，以確定其細(xì)胞類型。

13、與現(xiàn)有技術(shù)相比，本方案的有益效果：本發(fā)明通過使用自編碼器網(wǎng)絡(luò)，構(gòu)建出低維共享空間，最大化不同組學(xué)數(shù)據(jù)之間的相似性，通過文本卷積網(wǎng)絡(luò)學(xué)習(xí)不同細(xì)胞類型數(shù)據(jù)之間的分布，最終實(shí)現(xiàn)整合多組學(xué)數(shù)據(jù)的目的。

技術(shù)特征：

1.一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法，其特征是，包括以下步驟：

2.如權(quán)利要求1所述的一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法，其特征是，所述步驟s1具體為：

3.如權(quán)利要求1所述的一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法，其特征是，所述步驟s2的具體操作為：利用帶有標(biāo)簽信息的單細(xì)胞rna測(cè)序數(shù)據(jù)集與未帶標(biāo)簽信息的單細(xì)胞atac測(cè)序數(shù)據(jù)集共同訓(xùn)練一個(gè)自編碼器，學(xué)習(xí)一個(gè)共享的低維嵌入空間，最大限度地增強(qiáng)兩種組學(xué)數(shù)據(jù)之間的相似性。

4.如權(quán)利要求1所述的一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法，其特征是，所述步驟s3的具體操作為：學(xué)習(xí)不同細(xì)胞類型的分布，最后使用訓(xùn)練好的深度金字塔卷積神經(jīng)網(wǎng)絡(luò)對(duì)未帶標(biāo)簽的單細(xì)胞atac測(cè)序數(shù)據(jù)進(jìn)行分類，以確定其細(xì)胞類型。

技術(shù)總結(jié)
本發(fā)明公開了一種單細(xì)胞多組學(xué)數(shù)據(jù)整合方法，涉及生物信息技術(shù)領(lǐng)域，其技術(shù)要點(diǎn)為：S1：對(duì)單細(xì)胞RNA測(cè)序數(shù)據(jù)與單細(xì)胞ATAC測(cè)序數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)篩選與基因選擇兩個(gè)部分；S2：構(gòu)建低維共享空間，使用自編碼器構(gòu)建一個(gè)兩種組學(xué)數(shù)據(jù)的低維共享空間；S3：使用低維共享空間中的單細(xì)胞RNA測(cè)序數(shù)據(jù)訓(xùn)練深度金字塔卷積神經(jīng)網(wǎng)絡(luò)；S4：使用訓(xùn)練好的深度金字塔卷積神經(jīng)網(wǎng)絡(luò)，對(duì)單細(xì)胞ATAC測(cè)序數(shù)據(jù)進(jìn)行分類，得到細(xì)胞類型標(biāo)簽，實(shí)現(xiàn)單細(xì)胞RNA測(cè)序數(shù)據(jù)與單細(xì)胞ATAC測(cè)序數(shù)據(jù)的數(shù)據(jù)整合。本發(fā)明通過使用自編碼器網(wǎng)絡(luò)，構(gòu)建出低維共享空間，最大化不同組學(xué)數(shù)據(jù)之間的相似性，通過文本卷積網(wǎng)絡(luò)學(xué)習(xí)不同細(xì)胞類型數(shù)據(jù)之間的分布，最終實(shí)現(xiàn)整合多組學(xué)數(shù)據(jù)的目的。

技術(shù)研發(fā)人員：朱曉姝,劉嘉輝,羅笑南,滕飛
受保護(hù)的技術(shù)使用者：桂林電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6