基于图神经网络的空间转录组学空间域识别算法研究.pdfVIP

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景与意义1

1.2国内外研究现状2

1.2.1非空间聚类方法2

1.2.2空间聚类方法3

1.3本文主要工作5

1.4论文组织结构6

第二章相关知识介绍8

2.1自编码器8

2.2图神经网络8

2.3图卷积神经网络9

2.4残差网络10

2.5评估指标10

2.6本章小结11

第三章基于多视图图卷积网络的空间转录组学空间域识别算法12

3.1概述12

3.2图构造13

3.3算法描述14

3.3.1多视图图卷积网络14

3.3.2注意力机制14

3.3.3基于KL散度聚类的空间域识别15

3.4实验结果与分析16

3.4.1实验准备16

3.4.2基于聚类的空间域识别性能比较18

3.4.3不同相似性度量影响分析28

3.4.4算法的可扩展性分析29

3.4.5消融实验30

3.5本章小结31

第四章基于多视图深度融合网络的空间转录组学空间域识别算法33

4.1概述33

4.2图构造34

4.3算法描述35

4.3.1图自编码器和融合模块35

4.3.2基于自监督的空间域识别37

4.4实验结果与分析38

4.4.1数据集描述和预处理38

4.4.2基准方法39

4.4.3参数设置39

4.4.4基于聚类的空间域识别性能比较40

4.4.5消融实验45

4.5本章小结45

第五章总结与展望46

5.1总结46

5.2展望47

参考文献48

致谢54

攻读硕士学位期间的主要成果56

摘要

近年来，单细胞RNA测序（scRNA-seq）技术在理解细胞亚群和单个细胞生物学方

面取得了重大进展。尽管scRNA-seq可以检测单细胞水平的基因表达谱，但这种方法缺

乏保留空间信息的能力。随着测序技术的发展，新出现的空间转录组学技术使研究人员

能够在保留空间信息的同时对单细胞中的转录组进行分析，为阐明单细胞异质性和定义

细胞类型的空间图提供了新的机会。在空间转录组学的数据分析过程中，准确识别空间

域是最基础且至关重要的步骤。然而，如何将基因表达数据与空间信息有效结合以准确

识别空间域仍然具有挑战性。现有的方法大都根据空间位置信息用预定义的相似度量为

点或细胞构建邻接矩阵，并假设所构建的矩阵能够准确地捕获点或细胞的邻居；此外，

目前仅有部分方法同时利用组织学图像、空间位置坐标和基因表达潜在结构的空间信息

来捕捉数据空间的依赖性，有些方法仅是将自编码器（AE）学习的基因表达数据与图自

编码器（GAE）提取的图结构信息进行简单的对齐，但这种方式并不能有效地整合这两

种信息。为了更有效结合空间信息和基因表达信息，本文提出了基于多视图图卷积网络

的空间转录组学空间域识别算法（STMGCN）和基于多视图深度融合网络的空间转录组

学空间域识别算法（STMDFN）。本文的主要工作概括如下：

（1）本文提出了一种基于多视图图卷积网络模型（STMGCN）来准确地识别空间转

录组学数据中的空间域。具体来说，为了充分利用空间位置信息，该模型首先根据空间

位置坐标构建了多个具有不同相似性度量的邻接图。然后，STMGCN通过图卷积网络将

基因表达