CN113192553B - 基于单细胞转录组测序数据预测细胞空间关系的方法 - Google Patents

基于单细胞转录组测序数据预测细胞空间关系的方法 Download PDF

Info

Publication number
CN113192553B
CN113192553B CN202010038299.5A CN202010038299A CN113192553B CN 113192553 B CN113192553 B CN 113192553B CN 202010038299 A CN202010038299 A CN 202010038299A CN 113192553 B CN113192553 B CN 113192553B
Authority
CN
China
Prior art keywords
cell
interaction
cells
matrix
ligand
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010038299.5A
Other languages
English (en)
Other versions
CN113192553A (zh
Inventor
张泽民
任仙文
钟国杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202010038299.5A priority Critical patent/CN113192553B/zh
Publication of CN113192553A publication Critical patent/CN113192553A/zh
Application granted granted Critical
Publication of CN113192553B publication Critical patent/CN113192553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/10—Sequence alignment; Homology search
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及一种基于单细胞转录组测序数据预测细胞空间关系的方法。所述方法包括：获取基于单细胞转录组测序数据的细胞‑细胞相互作用强度矩阵A的概率矩阵P；根据获取的所述细胞‑细胞相互作用强度矩阵A的概率矩阵P，重构细胞相互作用的三维空间结构；对于重构细胞相互作用的三维空间结构中的每个细胞，确定平均每个细胞与h个细胞相互作用的细胞间距离阈值，得到细胞间作用网络。本发明实施例提出的基于单细胞转录组测序数据预测细胞空间关系的方法，只需要单细胞转录组测序数据就可以预测细胞在三维空间中的相互作用，解决了现有技术中必须通过成像才能获得细胞空间关系的限制。

Description

基于单细胞转录组测序数据预测细胞空间关系的方法
技术领域
本发明属于生物技术领域，具体涉及一种基于单细胞转录组测序数据预测 细胞空间关系的方法。
背景技术
细胞空间结构对于理解细胞的行为和功能具有至关重要的作用，如何测绘 细胞在组织、器官中的空间组织形式是生物医学领域的重要命题。
目前，测绘细胞空间组织方式的办法是以实验为基础，通过荧光或其他方 法对重要的基因、蛋白或其他生物分子进行标记，然后通过显微镜成像，最终 获得细胞的空间分布信息。已有的计算方法中，可以根据前述实验方法确定出 与细胞空间位置相关的标记基因，进而利用确定空间位置的标记基因结合单细 胞转录组测序数据，将具有转录组测序数据的细胞映射到已知的细胞空间图像 上。现有技术中还没有计算方法可以不依赖已知的细胞空间图像、只利用单细 胞转录组测序数据对细胞空间结构进行重构。
此外，配体-受体相互作用在细胞相互作用和通讯中发挥着重要作用，在已 有的计算方法中，存在根据单细胞转录组测序数据来衡量细胞类和细胞类之间 某种配体-受体对的相互作用或配体-受体对的个数是否显著强于其他细胞类对， 但是，还未发现根据配体-受体进行单个细胞级别的细胞相互作用和细胞空间结 构的重构。
发明内容
为解决上述问题，本发明实施例提出了一种基于单细胞转录组测序数据预 测细胞空间关系的方法，包括：
获取基于单细胞转录组测序数据的细胞-细胞相互作用强度矩阵A的概率矩 阵P；
根据获取的所述细胞-细胞相互作用强度矩阵A的概率矩阵P，重构细胞相 互作用的三维空间结构；
对于重构细胞相互作用的三维空间结构中的每个细胞，确定平均每个细胞 与h个细胞相互作用的细胞间距离阈值，得到细胞间作用网络。
进一步，重构细胞相互作用的三维空间结构的模型为：
最小化目标函数
Figure BDA0002366809600000021
使得：
Figure BDA0002366809600000022
Figure BDA0002366809600000023
Figure BDA0002366809600000024
其中，I是细胞的总数，
pij是所述细胞-细胞相互作用强度矩阵A的概率矩阵P中细胞i与细胞j的 作用强度，
qij是细胞j在细胞i周围的概率，
dij是细胞i与细胞j在三维空间中的欧几里得距离，
Figure BDA0002366809600000025
是细胞i的第m维的坐标值，
Figure BDA0002366809600000026
是细胞j的第m维的坐标值；
进一步，最小化目标函数
Figure BDA0002366809600000027
采用梯度下降法更新细胞坐标，计算当前坐标下每个细胞的梯度方向：
Figure BDA0002366809600000028
其中，C为目标函数，yi为细胞i在一维度上的当前坐标，yj为细胞j在该维 度上的当前坐标，
以该梯度方向为坐标更新方向，以固定步长更新细胞坐标，进行多次迭代。
进一步，当细胞i与细胞j的距离小于三维空间中两个细胞间的最小距离r 时，若pij-qij>0，则令pij-qij＝s，s为不小于-1的负数。
进一步，基于单细胞转录组测序数据，根据公开的受体-配体数据库，得到 细胞-细胞相互作用强度矩阵A，将所述细胞-细胞相互作用强度矩阵A的每个元 素除以细胞-细胞相互作用强度矩阵A中所有元素之和Zp，得到所述细胞-细胞 相互作用强度矩阵A的概率矩阵P，
Figure BDA0002366809600000031
I是细胞的总数；
K是配体-受体对的总数；
Figure BDA0002366809600000032
是表示第k对配体-受体的化学结合常数；
Figure BDA0002366809600000033
是第k个配体在细胞i中的表达水平；
Figure BDA0002366809600000034
是第k个受体在细胞i中的表达水平；
Figure BDA0002366809600000035
是第k个配体在细胞j中的表达水平；
Figure BDA0002366809600000036
是第k个受体在细胞j中的表达水平。
进一步，所述细胞-细胞相互作用强度矩阵A的概率矩阵P中的元素为：
Figure BDA0002366809600000037
进一步，所述细胞-细胞相互作用强度矩阵A中的每个元素为对应的细胞C1 与细胞C2之间的相互作用强度，所述相互作用强度的关系式为：
Figure BDA0002366809600000038
或者
Figure BDA0002366809600000039
或者
Figure BDA00023668096000000310
其中，AC1,C2表示细胞C1和细胞C2之间的细胞-细胞相互作用强度，
wA,B表示配体A和受体B之间相互作用的权重，
AC1和AC2分别表示配体A在细胞C1和细胞C2中的表达水平，
BC1和BC2分别表示受体B在细胞C1和细胞C2中的表达水平，
K表示配体-受体对的总数。
进一步，所述平均每个细胞与h个细胞相互作用的细胞间距离阈值采用如 下方法确定：
对于每一个细胞，均确定与与其第h次序接近的细胞的距离，对所有细胞 确定的所述距离值求中位数，获得平均每个细胞与h个细胞相互作用的细胞间 距离阈值。
进一步，在重构细胞相互作用的三维空间结构之前，对获取的所述细胞-细 胞相互作用强度矩阵A的概率矩阵P进行离散化处理。
进一步，所述配体和受体表达水平采用TPM、FPKM、CPM、Counts、TP10K、 log2(TPM+1)计量。
本发明的有益效果：本发明实施例提出的基于单细胞转录组测序数据预测 细胞空间关系的方法，只需要单细胞转录组测序数据就可以预测细胞在三维空 间中的相互作用，解决了现有技术中必须通过成像才能获得细胞空间关系的限 制。预测得到的细胞空间关系能够用于分析相关的分子机制、分子效应、细胞 空间类别、个体对治疗的响应或不同治疗方法的效用等。例如，根据重构的细 胞空间结构评价细胞类-细胞类相互作用统计显著性；对细胞-细胞相互作用或 细胞类-细胞类相互作用的配体-受体对的打分方法；通过计算机模拟基因敲除、 过表达、细胞过继性输入、细胞删失等干扰实验，评价某个或某些基因或细胞 对细胞空间结构影响；基于重构的细胞空间结构对细胞聚类；通过分析基于空间结构定义的细胞类的差异表达基因，寻找与细胞治疗或免疫治疗响应或抵抗 有关的基因；基于重构的细胞空间结构信息，推断对细胞治疗或免疫治疗响应 良好或较差的病人或病种。
附图说明
图1是本发明实施例提出的基于单细胞转录组测序数据预测细胞空间关系 的方法的流程图；
图2是本发明又一实施例提出的基于单细胞转录组测序数据预测细胞空间 关系的方法的流程图；
图3是本发明的一个示例中的基于单细胞转录组测序数据预测细胞空间关 系的方法的流程图；
图4是本发明实施例提出的基于单细胞转录组测序数据预测细胞空间关系 的方法中，所有细胞在初始化后的三维坐标系中的分布图；
图5是本发明实施例提出的基于单细胞转录组测序数据预测细胞空间关系 的方法中，细胞坐标更新过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例， 并参照附图，对本发明进一步详细说明。但本领域技术人员知晓，本发明并不 局限于附图和以下实施例。
本发明的发明人认为由配体-受体对介导的细胞相互作用在细胞空间结构 形成中发挥重要作用，相互作用的细胞通过竞争空间位置形成了空间结构。在 此基础上，本发明实施例提出了一种基于单细胞转录组测序数据预测细胞空间 关系的方法，包括如下步骤：
本发明实施例提出一种基于单细胞转录组测序数据预测细胞空间关系的方 法，其核心在于，根据单细胞转录组测序数据计算细胞-细胞相互作用强度矩阵， 并根据第一步计算得到的细胞-细胞相互作用强度矩阵重构细胞相互作用的三 维空间结构，如图1所示，包括：
步骤S1：基于单细胞转录组测序数据，根据公开的受体-配体数据库，得到 细胞-细胞相互作用强度矩阵A；
根据单细胞转录组测序数据得到基因表达矩阵E，根据公开的受体-配体数 据库，例如CellphoneDB，能够计算得到两个细胞之间的细胞-细胞相互作用强 度，两个细胞之间的细胞-细胞相互作用强度的关系式根据化学反应中的质量作 用定律(Lawofmassaction)表示为：
Figure BDA0002366809600000061
或者
Figure BDA0002366809600000062
或者
Figure BDA0002366809600000063
其中，AC1,C2表示细胞C1和细胞C2之间的细胞-细胞相互作用强度，wA,B表 示配体A和受体B之间相互作用的权重，AC1和AC2分别表示配体A在细胞C1和 细胞C2中的表达水平，BC1和BC2分别表示受体B在细胞C1和细胞C2中的表达 水平，K表示配体-受体对的总数。wA,B的默认值为1，可以根据配体-受体对的 化学或其他性质进行相应替换。
在该公式中，配体和受体表达水平的计量可以采用如TPM、FPKM、CPM、Counts、TP10K、log2(TPM+1)等多种方法。当例如采用TPM(transcriptspermillion) 计量时，上述两个细胞之间的细胞-细胞相互作用强度的计算公式表示为：
Figure BDA0002366809600000064
或者
Figure BDA0002366809600000065
或者
Figure BDA0002366809600000066
在本发明的优选方式中，对上述计算得到的AC1,C2进行单调变换，如指数变 换、对数变换、幂律变换等。
在得到所有细胞对的细胞-细胞相互作用强度以后，可以得到细胞-细胞相 互作用强度矩阵A，所述细胞-细胞相互作用强度矩阵A中的每个元素为对应的 细胞C1与细胞C2之间的相互作用强度，所述相互作用强度具有上述关系式。
步骤S2：对细胞-细胞相互作用强度矩阵A进行标准化，将细胞-细胞相互 作用强度矩阵A的每个元素除以细胞-细胞相互作用强度矩阵A中所有元素之和 Zp，得到细胞-细胞相互作用强度矩阵A的概率矩阵P，所述概率矩阵P中的元 素为：
Figure BDA0002366809600000071
Figure BDA0002366809600000072
其中，pij是所述细胞-细胞相互作用强度矩阵A的概率矩阵P中细胞i与细 胞j的作用强度；
K是配体-受体对的总数；
Figure BDA0002366809600000073
是表示第k对配体-受体的化学结合常数，默认为1，也可以是实验测 定的数值；
Figure BDA0002366809600000074
是第k个配体在细胞i中的表达水平；
Figure BDA0002366809600000075
是第k个受体在细胞i中的表达水平；
Figure BDA0002366809600000076
是第k个配体在细胞j中的表达水平；
Figure BDA0002366809600000077
是第k个受体在细胞j中的表达水平。
步骤S3：根据得到的所述细胞-细胞相互作用强度矩阵A的概率矩阵P，重 构细胞相互作用的三维空间结构，所述重构细胞相互作用的三维空间结构的模 型为：
最小化目标函数
Figure BDA0002366809600000078
目标函数由Kullback-Leibler 散度所定义，使得：
Figure BDA0002366809600000079
Figure BDA0002366809600000081
Figure BDA0002366809600000082
dij≥r for i≠j
Figure BDA0002366809600000083
其中，I是细胞的总数；
qij是细胞j在细胞i周围的概率；
dij是细胞i与细胞j在三维空间中的欧几里得距离；
Figure BDA0002366809600000084
是细胞i的第m维的坐标值；
Figure BDA0002366809600000085
是细胞j的第m维的坐标值；
r是两个细胞间的最小距离；
R是三维空间半径的大小，R远大于r。
在上述公式中，目标函数由Kullback-Leibler散度所定义，且给出了pij、 qij和dij的定义，并通过不等式表示了空间位阻效应。
步骤S4：对于重构细胞相互作用的三维空间结构中的每个细胞，选取平均 每个细胞与h个细胞相互作用的细胞间距离阈值，使得平均每个细胞与h个细 胞相互作用，得到细胞间作用网络。
具体的，其中的h为与当前细胞相互作用的细胞个数，本领域技术人员可 以根据情况进行选择，如h为3、5或10等。对于每一个细胞，均计算与与其 第h次序接近的细胞的距离，对所有细胞计算的所述距离值求中位数，获得平 均每个细胞与h个细胞相互作用的细胞间距离阈值。获得细胞间距离阈值后， 对于每对细胞，如果它们的距离小于所述阈值，则认为它们存在相互作用；如 果它们的距离大于阈值，则认为它们之间不存在相互作用，从而获得了细胞相 互作用网络。
在本发明的一个具体实施例中，如图2所示，所述基于单细胞转录组测序 数据预测细胞空间关系的方法包括如下步骤：
步骤S10：基于单细胞转录组测序数据，根据公开的受体-配体数据库，得 到细胞-细胞相互作用强度矩阵A。
在本发明的实施例中，如前所述，配体和受体表达水平可以采用TPM计量， 根据公开的受体-配体数据库，读取每个单细胞的受体-配体TPM值数据，进而 得到细胞-细胞相互作用强度矩阵A。
步骤S20：对细胞-细胞相互作用强度矩阵A进行标准化，将细胞-细胞相互 作用强度矩阵A的每个元素除以细胞-细胞相互作用强度矩阵A中所有元素之和 Zp，得到细胞-细胞相互作用强度矩阵A的概率矩阵P，所述概率矩阵P中的元 素为：
Figure BDA0002366809600000091
步骤S30：离散化所述细胞-细胞相互作用强度矩阵的概率矩阵P。
在本发明优选实施例中，对所述细胞-细胞相互作用强度矩阵的概率矩阵P 进行离散化处理。通常在每行或每列中选取最大的前50个元素即可。
本领域技术人员可以理解，此步骤是可选择的步骤，没有此步骤也是可行 的。
步骤S40：在三维空间中，随机初始化所有细胞的坐标。
在三维空间中，随机以一个细胞的位置做为原点，为其他细胞确定坐标。
步骤S50：根据得到的所述细胞-细胞相互作用强度矩阵A的概率矩阵P， 重构细胞相互作用的三维空间结构，所述重构细胞相互作用的三维空间结构的 模型为：
最小化目标函数
Figure BDA0002366809600000092
步骤S60：对于重构细胞相互作用的三维空间结构中的每个细胞，选取平均 每个细胞与h个细胞相互作用的细胞间距离阈值，使得平均每个细胞与h个细 胞相互作用，得到细胞间作用网络。
以下，以取用melanoma数据库中的5000个细胞的单细胞转录组数据为例， 说明本发明的预测细胞空间关系的方法，如图3所示。
基于单细胞转录组测序数据，根据公开的受体-配体数据库，得到细胞-细 胞相互作用强度矩阵A，进而得到细胞-细胞相互作用强度矩阵A的概率矩阵P， 在本发明的实施例中，配体和受体表达水平可以采用TPM计量。
离散化所述细胞-细胞相互作用强度矩阵的概率矩阵P,保留矩阵每行最大 的50个元素。
在50x50x50的三维空间中，随机初始化所有细胞的坐标。在本实施例的 melanoma数据库的条件下，所有细胞在初始化后的三维坐标系中的分布图如图4 所示，其中，B-cell为B细胞，CAF为癌症相关成纤维细胞，Endothelial为内皮 细胞，Macrophage为巨噬细胞，NK为自然杀伤细胞，T-cell为T细胞，Malignant 为肿瘤细胞，Normal为正常细胞。
最小化目标函数
Figure BDA0002366809600000101
采用梯度下降法更新细胞坐标。
计算当前坐标下每个细胞的梯度方向：
Figure BDA0002366809600000102
其中，C为目标函数，yi为细胞i在某一维度上的当前坐标，yj为细胞j在该 维度上的当前坐标。以该梯度方向为坐标更新方向，以固定步长更新细胞坐标， 进行多次迭代，总共迭代1000-2000次，本实施例中进行1000次迭代。
考虑到空间位阻效应，
dij≥r for i≠j，
Figure BDA0002366809600000103
在本实施例中，r＝0.01，R＝50。当细胞i与细胞j的距离小于r＝0.01时， 若上述公式中的pij-qij>0，则使得pij-qij＝s，s为不小于-1的负数。当 迭代过程中出现细胞的坐标值大于R＝50时，将所有细胞的坐标同比例缩小，使 得所有细胞的坐标值仍然小于R＝50。
本步骤中的细胞坐标更新过程如图5所示，图5中示出了迭代200次、400 次、600次、800次和1000次时细胞在三维坐标系中的示意图。
对于重构细胞相互作用的三维空间结构中的每个细胞，选取平均每个细胞 与3个细胞相互作用的细胞间距离阈值，使得平均每个细胞与3个细胞相互作 用，得到细胞间作用网络。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、 “具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特 征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明 书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描 述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中 以合适的方式结合。
以上，对本发明的实施方式进行了说明。但是，本发明不限定于上述实施 方式。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等， 均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于单细胞转录组测序数据预测细胞空间关系的方法，其特征在于，所述方法包括：
获取基于单细胞转录组测序数据的细胞-细胞相互作用强度矩阵A的概率矩阵P；
根据获取的所述细胞-细胞相互作用强度矩阵A的概率矩阵P，重构细胞相互作用的三维空间结构；
对于重构细胞相互作用的三维空间结构中的每个细胞，确定平均每个细胞与h个细胞相互作用的细胞间距离阈值，得到细胞间作用网络。
2.如权利要求1所述的方法，其特征在于，重构细胞相互作用的三维空间结构的模型为：
最小化目标函数
Figure FDA0002366809590000011
使得：
Figure FDA0002366809590000012
Figure FDA0002366809590000013
Figure FDA0002366809590000014
其中，I是细胞的总数，
pij是所述细胞-细胞相互作用强度矩阵A的概率矩阵P中细胞i与细胞j的作用强度，
qij是细胞j在细胞i周围的概率，
dij是细胞i与细胞j在三维空间中的欧几里得距离，
Figure FDA0002366809590000015
是细胞i的第m维的坐标值，
Figure FDA0002366809590000016
是细胞j的第m维的坐标值。
3.如权利要求2所述的方法，其特征在于，最小化目标函数
Figure FDA0002366809590000017
采用梯度下降法更新细胞坐标，计算当前坐标下每个细胞的梯度方向：
Figure FDA0002366809590000021
其中，C为目标函数，yi为细胞i在一维度上的当前坐标，yj为细胞j在该维度上的当前坐标，
以该梯度方向为坐标更新方向，以固定步长更新细胞坐标，进行多次迭代。
4.如权利要求3所述的方法，其特征在于，当细胞i与细胞j的距离小于三维空间中两个细胞间的最小距离r时，若pij-qij>0，则令pij-qij＝s，s为不小于-1的负数。
5.如权利要求1所述的方法，其特征在于，基于单细胞转录组测序数据，根据公开的受体-配体数据库，得到细胞-细胞相互作用强度矩阵A，将所述细胞-细胞相互作用强度矩阵A的每个元素除以细胞-细胞相互作用强度矩阵A中所有元素之和Zp，得到所述细胞-细胞相互作用强度矩阵A的概率矩阵P，
Figure FDA0002366809590000022
其中：
I是细胞的总数；
K是配体-受体对的总数；
Figure FDA0002366809590000023
是表示第k对配体-受体的化学结合常数；
Figure FDA0002366809590000024
是第k个配体在细胞i中的表达水平；
Figure FDA0002366809590000025
是第k个受体在细胞i中的表达水平；
Figure FDA0002366809590000026
是第k个配体在细胞j中的表达水平；
Figure FDA0002366809590000027
是第k个受体在细胞j中的表达水平。
6.如权利要求5所述的方法，其特征在于，所述细胞-细胞相互作用强度矩阵A的概率矩阵P中的元素为：
Figure FDA0002366809590000028
7.如权利要求1所述的方法，其特征在于，所述细胞-细胞相互作用强度矩阵A中的每个元素为对应的细胞C1与细胞C2之间的相互作用强度，所述相互作用强度的关系式为：
Figure FDA0002366809590000031
或者
Figure FDA0002366809590000032
或者
Figure FDA0002366809590000033
其中，AC1,C2表示细胞C1和细胞C2之间的细胞-细胞相互作用强度，
wA,B表示配体A和受体B之间相互作用的权重，
AC1和AC2分别表示配体A在细胞C1和细胞C2中的表达水平，
BC1和BC2分别表示受体B在细胞C1和细胞C2中的表达水平，
K表示配体-受体对的总数。
8.如权利要求1所述的方法，其特征在于，所述平均每个细胞与h个细胞相互作用的细胞间距离阈值采用如下方法确定：
对于每一个细胞，均确定与与其第h次序接近的细胞的距离，对所有细胞确定的所述距离值求中位数，获得平均每个细胞与h个细胞相互作用的细胞间距离阈值。
9.如权利要求1所述的方法，其特征在于，在重构细胞相互作用的三维空间结构之前，对获取的所述细胞-细胞相互作用强度矩阵A的概率矩阵P进行离散化处理。
10.如权利要求5或7所述的方法，其特征在于，所述配体和受体表达水平采用TPM、FPKM、CPM、Counts、TP10K、log2(TPM+1)计量。
CN202010038299.5A 2020-01-14 2020-01-14 基于单细胞转录组测序数据预测细胞空间关系的方法 Active CN113192553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010038299.5A CN113192553B (zh) 2020-01-14 2020-01-14 基于单细胞转录组测序数据预测细胞空间关系的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010038299.5A CN113192553B (zh) 2020-01-14 2020-01-14 基于单细胞转录组测序数据预测细胞空间关系的方法

Publications (2)

Publication Number Publication Date
CN113192553A CN113192553A (zh) 2021-07-30
CN113192553B true CN113192553B (zh) 2022-09-09

Family

ID=76972697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010038299.5A Active CN113192553B (zh) 2020-01-14 2020-01-14 基于单细胞转录组测序数据预测细胞空间关系的方法

Country Status (1)

Country Link
CN (1) CN113192553B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882955B (zh) * 2022-04-08 2023-04-07 广州国家实验室 转录组图像生成装置、方法和应用

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102268475A (zh) * 2010-06-29 2011-12-07 上海聚类生物科技有限公司 一种进行microRNA与蛋白相互作用研究的方法
CN103805674A (zh) * 2014-01-17 2014-05-21 同济大学 一种体外色素与红细胞相互作用系统及其应用
CN103838980A (zh) * 2014-03-27 2014-06-04 山东大学 对多发性骨髓瘤骨病治疗方法的疗效进行模拟评测的方法
CN106846296A (zh) * 2016-12-19 2017-06-13 深圳大学 一种细胞图像跟踪智能算法
WO2017178345A1 (en) * 2016-04-15 2017-10-19 Koninklijke Philips N.V. Sub-population detection and quantization of receptor-ligand states for characterizing inter-cellular communication and intratumoral heterogeneity
CN108463727A (zh) * 2015-10-23 2018-08-28 诺华股份有限公司 用于得到细胞间空间接近度的计算机方法和系统
CN108885204A (zh) * 2015-11-20 2018-11-23 新加坡科技研究局 用于预测具有不同化学结构的异生物的细胞类型特异性毒性的基于高通量成像的方法
CN109979538A (zh) * 2019-03-28 2019-07-05 广州基迪奥生物科技有限公司 一种基于10x单细胞转录组测序数据的分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102268475A (zh) * 2010-06-29 2011-12-07 上海聚类生物科技有限公司 一种进行microRNA与蛋白相互作用研究的方法
CN103805674A (zh) * 2014-01-17 2014-05-21 同济大学 一种体外色素与红细胞相互作用系统及其应用
CN103838980A (zh) * 2014-03-27 2014-06-04 山东大学 对多发性骨髓瘤骨病治疗方法的疗效进行模拟评测的方法
CN108463727A (zh) * 2015-10-23 2018-08-28 诺华股份有限公司 用于得到细胞间空间接近度的计算机方法和系统
CN108885204A (zh) * 2015-11-20 2018-11-23 新加坡科技研究局 用于预测具有不同化学结构的异生物的细胞类型特异性毒性的基于高通量成像的方法
WO2017178345A1 (en) * 2016-04-15 2017-10-19 Koninklijke Philips N.V. Sub-population detection and quantization of receptor-ligand states for characterizing inter-cellular communication and intratumoral heterogeneity
CN106846296A (zh) * 2016-12-19 2017-06-13 深圳大学 一种细胞图像跟踪智能算法
CN109979538A (zh) * 2019-03-28 2019-07-05 广州基迪奥生物科技有限公司 一种基于10x单细胞转录组测序数据的分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Spatial reconstruction of single-cell gene expression data;Rahul Satija,et al.;《nature biotechnology》;20150531;第33卷(第5期);全文 *
单细胞分析技术在人类细胞图谱计划中的应用;刘念等;《中国科学:化学》;20180926(第10期);全文 *
淋巴细胞共刺激信号和凋亡信号异常与RA免疫效应亢进的研究;王兰兰等;《中国免疫学杂志》;20051220(第12期);全文 *

Also Published As

Publication number Publication date
CN113192553A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Ren et al. Reconstruction of cell spatial organization from single-cell RNA sequencing data based on ligand-receptor mediated self-assembly
Wang et al. Clustering of the SOM easily reveals distinct gene expression patterns: results of a reanalysis of lymphoma study
Liang et al. Pervasive correlated evolution in gene expression shapes cell and tissue type transcriptomes
KR20210003094A (ko) 잔류 질환의 검출을 위한 시스템 및 방법
CN112750502B (zh) 二维分布结构判定的单细胞转录组测序数据聚类推荐方法
Wen et al. Detection of differentially methylated regions in whole genome bisulfite sequencing data using local Getis-Ord statistics
WO2000079271A1 (en) Online database that includes indices representative of a tissue population
CA2520085A1 (en) A method for identifying a subset of components of a system
CN106529165A (zh) 基于稀疏相似矩阵的谱聚类算法识别癌症分子亚型的方法
Chen et al. A comprehensive comparison on cell-type composition inference for spatial transcriptomics data
Cheng et al. Benchmarking cell-type clustering methods for spatially resolved transcriptomics data
CN113192553B (zh) 基于单细胞转录组测序数据预测细胞空间关系的方法
CN113628679A (zh) 一种三阴乳腺癌预后预测装置、预测模型及其构建方法
WO2021142625A1 (zh) 基于单细胞转录组测序数据预测细胞空间关系的方法
Parrish et al. Distribution modeling and simulation of gene expression data
Yuan et al. Self-organizing maps for cellular in silico staining and cell substate classification
Bull et al. Extended correlation functions for spatial analysis of multiplex imaging data
CN115762796A (zh) 目标模型的获取方法、预后评估值确定方法、装置、设备及介质
CN116189785A (zh) 基于空间转录组学数据特征提取的空间域识别方法
Han et al. Fast pairwise IBD association testing in genome-wide association studies
CN116438604A (zh) 对基因组数据进行匿名化的方法
Ren et al. Reconstruction of cell spatial organization based on ligand-receptor mediated self-assembly
US20220292363A1 (en) Method for automatically determining disease type and electronic apparatus
Zhang et al. BayesTME: A unified statistical framework for spatial transcriptomics
Zintzaras et al. A tree-based decision rule for identifying profile groups of cases without predefined classes: application in diffuse large B-cell lymphomas

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant