CN116312782B - 一种融合影像基因数据的空间转录组spot区域聚类方法 - Google Patents
一种融合影像基因数据的空间转录组spot区域聚类方法 Download PDFInfo
- Publication number
- CN116312782B CN116312782B CN202310563365.4A CN202310563365A CN116312782B CN 116312782 B CN116312782 B CN 116312782B CN 202310563365 A CN202310563365 A CN 202310563365A CN 116312782 B CN116312782 B CN 116312782B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- spot
- liquid crystal
- display device
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000014509 gene expression Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003559 RNA-seq method Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 239000006285 cell suspension Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012174 single-cell RNA sequencing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16B40/30—Unsupervised data analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种融合影像基因数据的空间转录组spot区域聚类方法,对空间转录组中每个spot的基因表达进行预处理,获取基因表达矩阵;还原预处理后的每个spot所在区域的图像;使用对比学习网络提取图像特征;以各spot之间不同关系进行排序,构件多模态图结构;将多模态图结构的邻接矩阵及节点特征矩阵输入图对比学习网络模型,然后将输出输入多模态融合网络,再将输出输入全连接神经网络,得到节点特征表示;然后采用降维、聚类算法处理后,识别空间转录组spot区域类型。基于图对比学习的融合影像基因数据的spot区域聚类方法,将深度学习技术与空间转录组领域的知识相结合,从而实现降噪、高效聚类等目的。
Description
技术领域
本发明涉及生物信息学领域,具体是涉及一种融合影像基因数据的空间转录组spot区域聚类方法。
背景技术
空间转录组学能够同时获得捕获区域中被标记的点(spot)的空间位置信息和基因表达数据,且不需要制备细胞悬液,进一步推进了对组织原位细胞真实基因表达的研究,为组织细胞功能、微环境互作、发育过程谱系追踪、疾病病理学等多个领域提供了重要的研究手段。
目前对此类数据的分析借鉴Bulk RNA-seq 和scRNA-seq分析策略,大都基于概率统计模型,但是依赖特定先验知识,难以处理高维、稀疏的空间位置信息和基因表达数据,并且未能充分利用空间转录组学所具有的多模态特征。其中,对spot区域聚类分析是众多数据分析和下游研究的必须步骤,现有spot区域聚类方法未充分利用空间转录组学多模态特征,依赖于特定先验知识,无法满足高效处理spot区域聚类的问题。
发明内容
发明目的:针对以上缺点,本发明提供一种实现降噪、高效聚类的融合影像基因数据的空间转录组spot区域聚类方法。
技术方案:为解决上述问题,本发明采用一种融合影像基因数据的空间转录组spot区域聚类方法,包括以下步骤:
(1)对空间转录组中每个spot的基因表达进行预处理,并获取每个spot的基因表达矩阵;
(2)还原预处理后的每个spot所在区域的图像;
(3)使用对比学习网络提取图像特征,得到图像特征矩阵;
(4)以各spot之间不同关系进行排序,构建多模态图结构;采用基因表达矩阵或者步骤(3)提取的图像特征矩阵作为多模态图结构的节点特征矩阵;
(5)将多模态图结构的邻接矩阵及节点特征矩阵输入图对比学习网络模型,得到具有空间信息的节点特征表示;
(6)将具有空间信息的节点特征表示输入多模态融合网络,得到唯一的节点特征表示;
(7)将步骤(6)得到的节点特征表示输入全连接神经网络MLP,得到融合影像基因数据的节点特征表示;
(8)将步骤(7)得到的融合影像基因数据的节点特征表示采用降维、聚类算法处理后,识别空间转录组spot区域类型。
进一步的,所述步骤(2)具体步骤为:
(2.1)以每个spot像素坐标上下左右各若干个像素范围内的像素点的颜色值,将其还原为图像,得到矩形图像;
(2.2)以矩形图像长宽数值中较小的数值为圆形图像的直径,生成长宽均为圆直径并且像素点颜色值均为白色的图像;计算矩形图像中每一个像素点与圆心的欧几里得距离,圆心为矩形图像中心点,若距离小于圆形图像的半径,则将该像素点颜色值存储在新图像对应位置,得到圆形图像;
(2.3)计算圆形图像之间的结构相似性:
,
其中, 是图像/>和图像/>之间的亮度比较,/>是图像/>和图像/>之间的对比度比较,/>是图像/>和图像/>之间的结构比较,/>、/>、/>均为调节参数。
进一步的,所述步骤(3)中构建并训练对比学习网络模型,使用训练后的对比学习网络模型提取图像特征,构建并训练对比学习网络模型的具体步骤为:
(3.1)采集N个样本图像,对每张图像进行两次随机数据增强,得到数据增强后的图像;产生2N个样本对;N为大于1的自然数;
(3.2)将数据增强后的图像输入编码器,并将输出输入Projection Head得到特征表示;
(3.3)根据步骤(3.2)得到的特征表示,计算每一张图像与其他图像的余弦相似度:
,
其中,表示数据增强后的图像/>的特征表示,/>表示数据增强后的图像/>的特征表示,/>表示求向量的长度;
计算每组图像之间相似的概率:
,
其中,表示指示函数,当且仅当时/>,其值为1,/>为超参数;
计算所有样本对的平均损失:
,
(3.4)根据平均损失训练对比学习网络模型。
进一步的,所述步骤(4)的具体内容为:
多模态图结构包括第一模态图结构、第二模态图结构和第三模态图结构;所述第一模态图结构根据点与其他点/>,/>之间的欧几里得距离大小进行排序,筛选前/>个点作为/>的邻接节点,构建邻接矩阵/>;节点特征为基因表达矩阵/>;/>为大于1的自然数;
所述第二模态图结构根据点与其他点/>,/>之间的余弦相似度大小进行排序,筛选前/>个点作为/>的邻接节点,构建邻接矩阵/>;节点特征为基因表达矩阵/>;/>为大于1的自然数;
所述第三模态图结构根据根据点与其他点/>,/>的结构相似性大小进行排序,筛选前/>个点作为/>的邻接节点,构建邻接矩阵/>;节点特征为步骤(3)提取的图像特征矩阵/>;/>为大于1的自然数。
进一步的,所述步骤(5)中,将每一个模态图结构的节点特征表示矩阵以及邻接矩阵输入图注意力网络,并在第层输出节点特征表示矩阵/>:
,
其中,是可训练的权重矩阵,/>是第/>个spot的邻接节点集合,/>是第/>个图注意力层中第/>个spot和第/>个spot之间边的权重,/>表示非线性激活函数。
进一步的,所述步骤(5)中,对于每一个模态图结构,保持邻接矩阵不变,采用随机扰动节点特征策略,生成新的图,将原始图/>和新的图/>的节点特征表示矩阵以及邻接矩阵分别输入图注意力网络,图注意力网络采用共享参数策略;图对比学习损失函数为:
,
其中,为原始图/>的节点特征表示矩阵;/>为原始图/>的邻接矩阵;/>为图/>的节点特征表示矩阵;/>为图/>的邻接矩阵;/>为原始图/>经图注意力网络的输出矩阵,为图/>经图注意力网络的输出矩阵,/>和/>为使用readout函数获得的原始图/>和图的全局特征表示;/>为正样本对,/>为负样本对;/>用以区分不同样本之间的差异;/>和/>分别表示图/>和图/>所对应的标签。
进一步的,所述第个图注意力层中节点/>和节点/>之间边的权重计算公式为:
,
其中,表示拼接函数,拼接两组经过变换后的特征矩阵。
使用softmax函数对权重进行规范化,
,
得到的权重将在之后在网络中更新嵌入向量,不同模态图注意力网络不共享参数,输出集成了邻接信息的spot嵌入向量。
进一步的,将全连接神经网络与空间转录组spot原始特征计算损失,同时将对比学习损失引入损失函数进行优化,整个模型的损失函数为:
,
其中,为融合影像基因数据的节点特征表示,/>表示均方差损失函数。
有益效果:本发明相对于现有技术,其显著优点是基于图对比学习的融合影像基因数据的spot区域聚类方法,将深度学习技术与空间转录组领域的知识相结合,从而实现降噪、高效聚类等目的。
附图说明
图1为本发明聚类方法的流程示意图。
图2为网络结构示意图。
具体实施方式
如图1所示,本实施例中的一种融合影像基因数据的空间转录组spot区域聚类方法,包括如下步骤:
步骤1:高通量空间转录组测序技术生成的数据具有高维、稀疏和多模态等特征,部分spot未检出基因表达信息,使用scanpy包读取空间转录组数据并筛除无效spot,数据存储格式为AnnData。对spot中基因表达数据进行对数变换与归一化,并筛选高可变基因。
步骤2:根据空间转录组的spot坐标,在对应病理图像上分别裁剪矩形、圆形图像,具体包括:
步骤2.1:读取每一个spot像素坐标上下左右各50个像素范围内的像素点的颜色值,将其还原为图像,得到矩形图像;
步骤2.2:使用矩形图像长宽数值中较小的数值作为圆形图像直径,生成长宽均为圆直径并且像素点颜色值均为白色的图像。遍历矩形图像,计算每一个像素点与圆心的欧几里得距离,圆心为矩形图像中心点,若距离小于圆半径,则将该像素点颜色值存储在新图像对应位置,得到圆形图像;
步骤2.3:计算图像之间结构相似性:
,
其中, 是图像/>和图像/>之间的亮度比较,/>是图像/>和图像/>之间的对比度比较,/>是图像/>和图像/>之间的结构比较,/>、/>、/>均为调节参数。
步骤3:使用对比学习提取图像特征,具体包括:
步骤3.1:设置对比学习网络batch_size(批大小)为N,对于batch中每一张图像,进行两次随机数据增强,包括裁剪、调整大小、颜色失真,得到2张数据增强后的图像,构建2N个样本对;
步骤3.2:使用预训练模型ResNet-50作为编码器,将增强后的图像输入编码器,并将输出输入Projection Head />得到特征表示;
步骤3.3:根据步骤3.2中得到的特征表示计算batch中每一张图像与其他图像的余弦相似度:
,
其中,表示数据增强后的图像/>的特征表示,/>表示数据增强后的图像/>的特征表示,/>表示求向量的长度;
计算每个batch中每组图像之间相似的概率:
,
其中,表示指示函数,当且仅当时/>,其值为1,/>为超参数;
计算每个batch中的所有样本对的平均损失:
;
根据平均损失训练对比学习网络。
步骤3.4:使用训练后的网络提取图像特征:
提取图像的特征参考对比学习框架simclr,详细的步骤参考现有文献: Chen T ,Kornblith S , Norouzi M , et al. A Simple Framework for Contrastive Learningof Visual Representations[J]. 2020.在本实施例中不再赘述。
步骤4:构建多模态图结构及其节点特征表示,多模态图结构包括第一模态图结构、第二模态图结构和第三模态图结构;
第一模态图结构:计算与其他/>之间欧几里得距离,根据距离大小排序,筛选前/>个spot作为/>的邻接节点,构建邻接矩阵/>。节点特征为基因表达矩阵/>;
第二模态图结构:计算与其他/>之间余弦相似度,根据相似度大小排序,筛选前/>个spot作为/>的邻接节点,构建邻接矩阵/>。节点特征为基因表达矩阵/>;
第三模态图结构:根据与其他/>结构相似性大小排序,结构相似性由步骤2.3获得,筛选前/>个spot作为/>的邻接节点,构建邻接矩阵。节点特征为使用对比学习提取的图像特征/>。
步骤5:训练图对比学习网络,具体包括:
对于每一个模态图结构,保持邻接矩阵不变,采用随机扰动节点特征策略,生成新的图。将图/>和/>的节点特征表示矩阵/>以及邻接矩阵/>分别输入图注意力网络,图注意力网络采用共享参数策略。并在第/>层输出矩阵/>:
,
其中,,/>表示节点特征矩阵,N表示节点的个数,/>是可训练的权重矩阵,/>是第/>个spot的邻接节点集合(包括自身),/>是第/>个图注意力层中第/>个和第/>个spot之间边的权重,/>表示非线性激活函数。
注意力机制就是一个单层的前馈神经网络,在图节点之间共享权重参数。节点和节点/>之权重为:
,
使用softmax函数对权重进行规范化,
,
得到的权重将在之后在网络中更新嵌入向量,不同模态图注意力网络不共享参数,输出集成了邻接信息的spot嵌入向量。
图注意力网络参考文献为:VelikoviP ,Cucurull G , Casanova A , et al.Graph Attention Networks[J]. 2017.
使用readout函数获得图和/>的全局特征表示/>和/>,/>分别构建正样本对/>与负样本对/>。图对比学习损失函数为:
,
其中,用以区分不同样本之间的差异。
图对比学习采用文献:Zhu Y , Xu Y , Yu F , et al. Graph ContrastiveLearning with Adaptive Augmentation[J]. 2020.中的方法。
步骤6:将所述多模态数据特征表示输入多模态融合网络,得到唯一的节点特征表示。
步骤7:将节点特征表示输入全连接层MLP得到融合影像基因数据的节点特征表示,将全连接层输出结果与空间转录组spot原始特征计算损失,同时将对比学习损失引入损失函数进行优化,整个模型的损失函数为:
。
步骤8:对所述节点特征表示采用PCA降维,其中n_components设置为10。通过python调用r语言中mclust包对降维后的数据识别所述空间转录组spot区域类型。
Claims (9)
1.一种融合影像基因数据的空间转录组spot区域聚类方法,其特征在于,包括以下步骤:
(1)对空间转录组中每个spot的基因表达进行预处理,并获取每个spot的基因表达矩阵;
(2)还原预处理后的每个spot所在区域的图像;
(3)使用对比学习网络提取图像特征,得到图像特征矩阵;构建并训练对比学习网络模型,使用训练后的对比学习网络模型提取图像特征,构建并训练对比学习网络模型的具体步骤为:
(3.1)采集N个样本图像,对每张图像进行两次随机数据增强,得到数据增强后的图像;产生2N个样本对;N为大于1的自然数;
(3.2)将数据增强后的图像输入编码器,并将输出输入Projection Head得到特征表示;
(3.3)根据步骤(3.2)得到的特征表示,计算每一张图像与其他图像的余弦相似度:
,
其中,表示数据增强后的图像/>的特征表示,/>表示数据增强后的图像/>的特征表示,/>表示求向量的长度;
计算每组图像之间相似的概率:
,
其中,表示指示函数,当且仅当时/>,其值为1,/>为超参数;
计算所有样本对的平均损失:
,
(3.4)根据平均损失训练对比学习网络模型;
(4)以各spot之间不同关系进行排序,构建多模态图结构;采用基因表达矩阵或者步骤(3)提取的图像特征矩阵作为多模态图结构的节点特征矩阵;
(5)将多模态图结构的邻接矩阵及节点特征矩阵输入图对比学习网络模型,得到具有空间信息的节点特征表示;
(6)将具有空间信息的节点特征表示输入多模态融合网络,得到唯一的节点特征表示;
(7)将步骤(6)得到的节点特征表示输入全连接神经网络MLP,得到融合影像基因数据的节点特征表示;
(8)将步骤(7)得到的融合影像基因数据的节点特征表示采用降维、聚类算法处理后,识别空间转录组spot区域类型。
2.根据权利要求1所述的空间转录组spot区域聚类方法,其特征在于,所述步骤(2)具体步骤为:
(2.1)以每个spot像素坐标上下左右各若干个像素范围内的像素点的颜色值,将其还原为图像,得到矩形图像;
(2.2)以矩形图像长宽数值中较小的数值为圆形图像的直径,生成长宽均为圆直径并且像素点颜色值均为白色的图像;计算矩形图像中每一个像素点与圆心的欧几里得距离,圆心为矩形图像中心点,若距离小于圆形图像的半径,则将该像素点颜色值存储在新图像对应位置,得到圆形图像;
(2.3)计算圆形图像之间的结构相似性:
,
其中, 是图像/>和图像/>之间的亮度比较,/>是图像/>和图像/>之间的对比度比较,/>是图像/>和图像/>之间的结构比较,/>、/>、/>均为调节参数。
3.根据权利要求2所述的空间转录组spot区域聚类方法,其特征在于,所述步骤(4)的具体内容为:
多模态图结构包括第一模态图结构、第二模态图结构和第三模态图结构;所述第一模态图结构根据点与其他点/>,/>之间的欧几里得距离大小进行排序,筛选前/>个点作为/>的邻接节点,构建邻接矩阵/>;节点特征为基因表达矩阵/>;/>为大于1的自然数;
所述第二模态图结构根据点与其他点/>,/>之间的余弦相似度大小进行排序,筛选前/>个点作为/>的邻接节点,构建邻接矩阵/>;节点特征为基因表达矩阵/>;/>为大于1的自然数;
所述第三模态图结构根据根据点与其他点/>,/>的结构相似性大小进行排序,筛选前/>个点作为/>的邻接节点,构建邻接矩阵/>;节点特征为步骤(3)提取的图像特征矩阵/>;/>为大于1的自然数。
4.根据权利要求3所述的空间转录组spot区域聚类方法,其特征在于,所述步骤(5)中,将每一个模态图结构的节点特征表示矩阵以及邻接矩阵输入图注意力网络,并在第层输出节点特征表示矩阵/>:
,
其中,是可训练的权重矩阵,/>是第/>个spot的邻接节点集合,/>是第/>个图注意力层中第/>个spot和第/>个spot之间边的权重,/>表示非线性激活函数。
5.根据权利要求4所述的空间转录组spot区域聚类方法,其特征在于,所述步骤(5)中,对于每一个模态图结构,保持邻接矩阵不变,采用随机扰动节点特征策略,生成新的图,将原始图/>和新的图/>的节点特征表示矩阵以及邻接矩阵分别输入图注意力网络,图注意力网络采用共享参数策略;图对比学习损失函数为:
,
其中,为原始图/>的节点特征表示矩阵;/>为原始图/>的邻接矩阵;/>为图/>的节点特征表示矩阵;/>为图/>的邻接矩阵;/>为原始图/>经图注意力网络的输出矩阵,/>为图/>经图注意力网络的输出矩阵,/>和/>为使用readout函数获得的原始图/>和图/>的全局特征表示;/>为正样本对,/>为负样本对;/>用以区分不同样本之间的差异;和/>分别表示图/>和图/>所对应的标签。
6.根据权利要求5所述的空间转录组spot区域聚类方法,其特征在于,
所述第个图注意力层中节点/>和节点/>之间边的权重计算公式为:
,
其中,表示拼接函数,拼接两组经过变换后的特征矩阵。
7.根据权利要求6所述的空间转录组spot区域聚类方法,其特征在于,使用softmax函数对权重进行规范化,
,
得到的权重将在之后在网络中更新嵌入向量,不同模态图注意力网络不共享参数,输出集成了邻接信息的spot嵌入向量。
8.根据权利要求7所述的空间转录组spot区域聚类方法,其特征在于,将全连接神经网络与空间转录组spot原始特征计算损失,同时将对比学习损失引入损失函数进行优化,整个模型的损失函数为:
,
其中,为融合影像基因数据的节点特征表示,/>表示均方差损失函数。
9.根据权利要求1所述的空间转录组spot区域聚类方法,其特征在于,对所述节点特征表示采用PCA降维,通过python调用r语言中mclust包对降维后的数据识别所述空间转录组spot区域类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563365.4A CN116312782B (zh) | 2023-05-18 | 2023-05-18 | 一种融合影像基因数据的空间转录组spot区域聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563365.4A CN116312782B (zh) | 2023-05-18 | 2023-05-18 | 一种融合影像基因数据的空间转录组spot区域聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116312782A CN116312782A (zh) | 2023-06-23 |
CN116312782B true CN116312782B (zh) | 2023-08-01 |
Family
ID=86796358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310563365.4A Active CN116312782B (zh) | 2023-05-18 | 2023-05-18 | 一种融合影像基因数据的空间转录组spot区域聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116312782B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036762B (zh) * | 2023-08-03 | 2024-03-22 | 北京科技大学 | 一种多模态数据聚类方法 |
CN117292747B (zh) * | 2023-11-24 | 2024-03-29 | 南京航空航天大学 | 一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 |
CN117476247B (zh) * | 2023-12-27 | 2024-04-19 | 杭州乐九医疗科技有限公司 | 一种疾病多模态数据智能分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091603A (zh) * | 2021-11-22 | 2022-02-25 | 上海交通大学 | 一种空间转录组细胞聚类、分析方法 |
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 |
CN114944193A (zh) * | 2022-05-20 | 2022-08-26 | 南开大学 | 整合单细胞转录组与空间转录组数据的分析方法及系统 |
CN115359845A (zh) * | 2022-08-05 | 2022-11-18 | 广东工业大学 | 一种融合单细胞转录组的空间转录组生物组织亚结构解析方法 |
CN115985403A (zh) * | 2022-11-14 | 2023-04-18 | 山东大学 | 一种空间转录组的双重自监督聚类分析方法及系统 |
CN115732034A (zh) * | 2022-11-17 | 2023-03-03 | 山东大学 | 一种空间转录组细胞表达模式的识别方法及系统 |
-
2023
- 2023-05-18 CN CN202310563365.4A patent/CN116312782B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116312782A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116312782B (zh) | 一种融合影像基因数据的空间转录组spot区域聚类方法 | |
CN110570371B (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
CN111583263A (zh) | 一种基于联合动态图卷积的点云分割方法 | |
CN109740539B (zh) | 基于超限学习机和融合卷积网络的3d物体识别方法 | |
You et al. | Traffic sign detection method based on improved SSD | |
CN107784296A (zh) | 一种低分辨率图像的人脸识别方法 | |
Liu et al. | A novel underwater image enhancement algorithm and an improved underwater biological detection pipeline | |
CN112836748A (zh) | 一种基于crnn-ctc的铸件标识字符识别方法 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN115830387A (zh) | 一种模型训练方法、训练装置、分类方法及分类装置 | |
CN116091823A (zh) | 一种基于快速分组残差模块的单特征无锚框目标检测方法 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 | |
Li et al. | A motion blur QR code identification algorithm based on feature extracting and improved adaptive thresholding | |
Zhang et al. | Residual attentive feature learning network for salient object detection | |
Wiehman et al. | Semantic segmentation of bioimages using convolutional neural networks | |
CN114399763A (zh) | 一种单样本与小样本微体古生物化石图像识别方法及系统 | |
Reale et al. | Facial action unit analysis through 3d point cloud neural networks | |
Shao et al. | A novel hybrid transformer-CNN architecture for environmental microorganism classification | |
CN116524255A (zh) | 基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
Zhan et al. | Study on the Tea Pest Classification Model Using a Convolutional and Embedded Iterative Region of Interest Encoding Transformer | |
Cho et al. | A generative adversarial network-based image denoiser controlling heterogeneous losses | |
Dhawan et al. | Deep Learning Based Sugarcane Downy Mildew Disease Detection Using CNN-LSTM Ensemble Model for Severity Level Classification | |
CN115439669A (zh) | 基于深度学习的特征点检测网络及跨分辨率图像匹配方法 | |
Dalara et al. | Entity Recognition in Indian Sculpture using CLAHE and machine learning |
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 |