單細胞轉錄組數據分析:模型、算法與應用

朱曉姝

  • 單細胞轉錄組數據分析:模型、算法與應用-preview-1
  • 單細胞轉錄組數據分析:模型、算法與應用-preview-2
  • 單細胞轉錄組數據分析:模型、算法與應用-preview-3
  • 單細胞轉錄組數據分析:模型、算法與應用-preview-4
  • 單細胞轉錄組數據分析:模型、算法與應用-preview-5
單細胞轉錄組數據分析:模型、算法與應用-preview-1

相關主題

商品描述

本書立足作者團隊十余年實驗研究積累,整合8項國家級和省部級課題研究成果,系統開展單細胞轉錄組數據分析研究。本書按照“基礎原理—數據質量控制—數據降維—單細胞類型識別—多組學融合的單細胞類型識別”的邏輯脈絡分為五個部分,形成層次遞進、邏輯閉環的內容框架。第一部分為基礎理論篇,系統梳理單細胞轉錄組測序技術的發展脈絡,同時厘清數據降維核心方法的技術原理與性能評價指標體系。基於基礎理論的鋪墊,第二部分聚焦單細胞轉錄組測序數據質量控制,重點闡述缺失值填充技術的核心機制與數據批次效應校正的實現方法。第三部分承接質量控制後的高質量數據,從多種途徑深入探討基因表達數據降維方法的技術細節。第四部分以降維後的數據為基礎,系統闡述基於相似性圖構建的各類細胞類型識別方法及其技術特性。第五部分則進一步拓展研究維度,闡述多組學信息融合背景下的單細胞類型識別策略與實現路徑。

目錄大綱

目錄
前言
第一部分 基礎理論篇
第1章 緒論 3
1.1 單細胞轉錄組測序技術 3
1.2 單細胞轉錄組測序數據降維方法 6
1.3 單細胞轉錄組測序數據相似性計算方法 8
1.4 細胞類型識別方法 10
1.5 細胞類型識別的性能評價指標 15
1.6 本章小結 16
第二部分 單細胞轉錄組測序數據質量控制
第2章 單細胞轉錄組測序數據預處理 19
2.1 過濾 19
2.2 歸一化 20
2.3 缺失值填充 20
2.4 批次效應校正 22
2.5 本章小結 23
第3章 基於混合生成對抗網絡的缺失值識別和填充 24
3.1 問題描述 24
3.1.1 缺失值問題 24
3.1.2 缺失值問題對單細胞轉錄組分析的影響 25
3.2 AGImpute方法 25
3.2.1 Leiden預聚類 26
3.2.2 基於動態閾值估計機制的缺失值自適應估計 26
3.2.3 深度學習模塊 30
3.3 實驗結果與分析 31
3.3.1 數據集 32
3.3.2 特征基因選擇參數分析實驗 32
3.3.3 基因表達水平對比實驗 32
3.3.4 聚類分析實驗 39
3.3.5 差異表達分析實驗 42
3.3.6 軌跡推斷分析實驗 46
3.4 本章小結 47
第4章 基於博弈論的單細胞轉錄組測序數據批次效應校正 49
4.1 問題描述 49
4.1.1 缺失值與批次效應問題 49
4.1.2 批次效應問題對scRNA?seq分析的影響 50
4.2 相同類型scRNA?seq數據基因表達水平一致性假設 51
4.3 scDIIG方法 54
4.3.1 博弈論 54
4.3.2 動態非完全信息博弈論 55
4.3.3 scRNA?seq數據博弈對象分析 55
4.3.4 scDIIG方法流程 57
4.4 實驗結果與分析 58
4.4.1 基因表達對比實驗 58
4.4.2 聚類分析實驗 62
4.4.3 差異表達分析實驗 63
4.4.4 軌跡推斷分析實驗 65
4.5 本章小結 66
第5章 結合稀疏表示和基因引導聚類用於單細胞轉錄組測序數據中的批次效應校正 68
5.1 問題描述 68
5.2 scSAGE方法 68
5.2.1 預處理 68
5.2.2 稀疏約束自編碼器 69
5.2.3 基因指導的子類合並 70
5.2.4 三元組約束批次效應校正模型 71
5.3 實驗結果與分析 71
5.3.1 數據集 72
5.3.2 多指標性能評估 72
5.3.3 scSAGE去除批次效應並保留細胞類型結構 73
5.3.4 稀有細胞類型識別能力 73
5.4 本章小結 75
第三部分 單細胞轉錄組測序數據降維
第6章 單細胞轉錄組測序數據基因選擇方法對比 79
6.1 問題描述 79
6.2 基因選擇方法 80
6.2.1 基於高度可變基因的方法 80
6.2.2 基於高均值基因的方法 80
6.2.3 基於缺失值的方法 80
6.2.4 基於交互的表達方法 81
6.3 實驗結果與分析 82
6.3.1 數據集 82
6.3.2 篩選標記基因對比分析 83
6.3.3 基因選擇方法間重疊標記基因 85
6.3.4 聚類性能對比分析 86
6.3.5 運行時間對比分析 88
6.3.6 魯棒性對比分析 89
6.4 本章小結 90
第7章 基於高表達高差異的基因選擇方法 91
7.1 問題描述 91
7.2 HMV方法 91
7.3 實驗結果與分析 92
7.3.1 基因集分布的可視化分析 93
7.3.2 不同基因選擇閾值t對聚類性能影響分析 94
7.3.3 聚類結果性能分析 95
7.3.4 大數據集聚類性能分析 96
7.4 本章小結 97
第8章 基於去噪自編碼器的單細胞轉錄組測序數據降維方法 99
8.1 問題描述 99
8.2 scDA方法 99
8.2.1 異常值平滑 100
8.2.2 分箱熵 100
8.2.3 去噪自編碼 101
8.3 實驗結果與分析 103
8.3.1 數據集 103
8.3.2 聚類性能對比分析 104
8.3.3 運行時間對比分析 105
8.4 本章小結 106
第9章 結合熵和去噪自編碼器的scRNA?seq數據降維方法 107
9.1 問題描述 107
9.2 ScEDA方法 108
9.2.1 數據預處理 109
9.2.2 基於分箱熵估計的高變異性基因篩選 109
9.2.3 去噪自編碼器 109
9.3 實驗結果與分析 110
9.3.1 數據集 111
9.3.2 評價指標 112
9.3.3 不同降維方法的聚類性能比較 112
9.3.4 比較不同降維方法的運行時間 114
9.4 本章小結 114
第10章 基於自適應聚合機制圖卷積網絡的單細胞轉錄組測序數據降維方法 116
10.1 問題描述 116
10.2 scAGCN方法 116
10.2.1 數據預處理 116
10.2.2 近似近鄰圖 117
10.2.3 自適應聚合機制 118
10.3 實驗結果與分析 119
10.3.1 數據集 119
10.3.2 可視化對比分析 120
10.3.3 聚類性能對比分析 120
10.3.4 運行時間對比分析 123
10.3.5 自適應聚合機制影響分析 123
10.4 本章小結 124
第四部分 單細胞類型識別
第11章 單細胞轉錄組測序數據的聚類方法比較 127
11.1 問題描述 127
11.2 方法比較 128
11.2.1 質量控制 128
11.2.2 基因選擇 129
11.2.3 聚類方法 130
11.3 實驗結果與分析 132
11.3.1 數據集 133
11.3.2 不同基因選擇方法檢測基因的對比分析 134
11.3.3 不同基因選擇方法對單細胞聚類性能的影響 135
11.4 本章小結 138
第12章 基於圖分割的單細胞聚類集成方法 140
12.1 問題描述 140
12.2 Sc?GPE方法 140
12.3 實驗結果與分析 142
12.3.1 數據集 142
12.3.2 聚類結果相似性分析 143
12.3.3 聚類性能對比分析 143
12.4 本章小結 146
第13章 單細胞轉錄組測序數據聚類的圖相似性增強算法 148
13.1 問題描述 148
13.2 數據集與GSE方法 149
13.2.1 數據集 149
13.2.2 GSE方法 150
13.3 實驗結果與分析 152
13.3.1 實驗結果 152
13.3.2 結果分析 155
13.4 本章小結 156
第14章 基於高相似性圖和結構熵的細胞類型識別方法 157
14.1 問題描述 157
14.2 相關模型 157
14.3 SSE方法 158
14.4 實驗結果與分析 161
14.4.1 數據集 161
14.4.2 不同相似性閾值t對聚類性能影響分析 161
14.4.3 聚類結果性能分析 162
14.4.4 聚類結果差異性分析 164
14.4.5 聚類結果可視化 165
14.5 本章小結 176
第15章 基於共享近鄰圖和Louvain社區檢測的細胞類型識別方法 177
15.1 問題描述 177
15.2 相關模型 178
15.3 SSNN?Louvain方法 179
15.4 實驗結果與分析 181
15.4.1 數據集 181
15.4.2 節點排序對Louvain社區檢測性能影響分析 181
15.4.3 不同近鄰數k對聚類性能影響分析 182
15.4.4 不同相似性方法對聚類性能影響分析 186
15.4.5 聚類結果性能分析 187
15.4.6 聚類結果差異性分析 189
15.4.7 聚類結果可視化 190
15.4.8 大數據集聚類性能分析 193
15.5 本章小結 193
第16章 基於路徑全局相似性圖的細胞類型識別方法 195
16.1 問題描述 195
16.2 相關模型 196
16.3 MPGS?Louvain方法 197
16.4 NES?Louvain方法 199
16.5 實驗結果與分析 200
16.5.1 數據集 200
16.5.2 MPGS?Louvain方法性能分析 200
16.5.3 NES?Louvain方法性能分析 212
16.6 本章小結 218
第五部分 融合多組學數據的單細胞類型識別
第17章 基於分布的基因相關性度量 223
17.1 問題描述 223
17.2 頂點劃分策略 223
17.3 基於分布的基因相關性度量 224
17.3.1 度量頂點分布聚焦 225
17.3.2 度量頂點分布趨勢 226
17.4 實驗結果與分析 227
17.4.1 數據集 227
17.4.2 基因間相關性分析 228
17.4.3 聯合類別信息熱圖分析 230
17.4.4 基因模塊間維恩圖分析 233
17.4.5 基於基因模塊的樞紐基因KEGG分析 233
17.5 本章小結 235
第18章 基於半監督深度學習的空間域劃分方法 236
18.1 問題描述 236
18.2 基於自編碼器潛空間學習的預聚類 236
18.2.1 潛在空間學習和預聚類 236
18.2.2 預設標簽策略 237
18.3 基於半監督學習的網絡模型 239
18.3.1 半監督學習 239
18.3.2 STsemiDEC模型 240
18.4 實驗結果與分析 243
18.4.1 空間域劃分 243
18.4.2 聯合類別簇信息進行UMAP圖分析 245
18.4.3 聯合類別簇信息進行t?SNE圖分析 247
18.5 本章小結 248
第19章 基於掩碼PCA的單細胞多組學數據降維算法 250
19.1 問題描述 250
19.2 相關模型 251
19.2.1 掩碼策略 251
19.2.2 預處理 252
19.3 構建掩碼矩陣 255
19.3.1 特征選擇 255
19.3.2 掩碼添加 255
19.4 降維 256
19.4.1 計算協方差矩陣 256
19.4.2 特征值分解 257
19.5 實驗結果與分析 257
19.5.1 消融實驗對比分析 257
19.5.2 降維性能對比分析 258
19.6 本章小結 259
第20章 基於自編碼器與文本卷積網絡的單細胞轉錄組測序數據和scATAC?seq數據集成 260
20.1 問題描述 260
20.2 scEDI方法 260
20.2.1 DPCNN 262
20.2.2 SMOTE層 262
20.2.3 註意力機制 262
20.3 實驗結果與分析 262
20.3.1 數據集 262
20.3.2 標簽轉移可視化對比分析 263
20.3.3 標簽轉移準確度對比分析 264
20.3.4 魯棒性對比分析 265
20.3.5 對抗訓練有效性分析 265
20.4 本章小結 266
參考文獻 267