CN117292747B - 一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 - Google Patents
一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 Download PDFInfo
- Publication number
- CN117292747B CN117292747B CN202311579284.XA CN202311579284A CN117292747B CN 117292747 B CN117292747 B CN 117292747B CN 202311579284 A CN202311579284 A CN 202311579284A CN 117292747 B CN117292747 B CN 117292747B
- Authority
- CN
- China
- Prior art keywords
- gene expression
- image
- matrix
- features
- spot
- 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
- 230000014509 gene expression Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 230000002902 bimodal effect Effects 0.000 abstract description 2
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 abstract description 2
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 239000006285 cell suspension Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011223 gene expression profiling Methods 0.000 description 1
- 238000003384 imaging method Methods 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
- 230000009456 molecular mechanism Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
本发明公开了一种基于HSIC‑bottleneck的空间转录组spot基因表达预测方法,获取训练集中每个spot的基因表达特征矩阵以及图像特征矩阵;通过图结构的邻接矩阵及基因表达矩阵或者图像特征矩阵分别训练图对比学习网络模型;并基于HSIC‑bottleneck准则得到训练好的图对比学习网络模型以及优化后的图像特征和基因表达特征,将优化后的图像特征和基因表达特征对齐,并得到查询集;从查询集的基因表达特征中查找与待预测的图像特征关联度最高的基因表达特征,实现预测。引入了空间信息的双模态嵌入框架,并考虑了HSIC‑bottleneck,减少特征的信息冗余,提高预测准确度,能够方便、快速、准确的生成整片苏木精和伊红(H&E)染色组织学图像的空间分辨基因表达谱。
Description
技术领域
本发明涉及生物信息学,具体是涉及一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法。
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。
组织学成像是医学诊断和研究的重要工具,可以在显微水平上检查组织的结构和组成。了解组织结构的潜在分子机制对于揭示疾病机制和开发有效的治疗方法至关重要。基因表达谱提供了深入了解组织结构的分子过程,但该过程既耗时又昂贵。
发明内容
发明目的:针对以上缺点,本发明提供一种预测准确度高且成本低的基于HSIC-bottleneck的空间转录组spot基因表达预测方法及系统。
技术方案:为解决上述问题,本发明采用一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法,包括以下步骤:
(1)获取训练集,对训练集的空间转录组中每个spot的基因表达进行预处理,并获取每个spot的基因表达特征矩阵;
(2)获取预处理后的每个spot所在区域的图像特征矩阵;
(3)使用knn算法构建图结构;
(4)构建并训练图对比学习网络模型,通过图结构的邻接矩阵及基因表达矩阵或者图像特征矩阵分别训练图对比学习网络模型,使用训练后的图对比学习网络模型优化图像特征矩阵和基因表达特征矩阵;并基于HSIC-bottleneck准则,以最小化图像特征矩阵与经图对比学习网络模型优化后的图像特征矩阵之间的关联性,同时最大化经图对比学习网络模型优化后的图像特征矩阵与经图对比学习网络模型优化后的基因表达特征矩阵之间的关联性为目标,得到训练好的图对比学习网络模型以及优化后的图像特征和基因表达特征,
(5)将优化后的图像特征和基因表达特征对齐,并得到查询集;
(6)将待预测的空间转录组spot的图像信息输入训练好的图对比学习网络模型中,得到新的图像特征,从查询集的基因表达特征中查找与新的图像特征关联度最高的基因表达特征,实现空间转录组spot基因表达的预测。
进一步的,所述步骤(2)中获取每个spot的像素坐标,使用ResNet-50预训练模型提取每个spot像素坐标上下左右各若干个像素范围内的像素点的特征,得到图像特征矩阵。
进一步的,所述根据点与其他点/>,/>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。
进一步的,所述步骤(4)中构建并训练图对比学习网络模型的具体步骤为:
(4.1)构建正样本,将邻接矩阵和特征矩阵输入图对比学习网络,并在第层输出节点特征表示矩阵/>:
;
其中,表示邻接矩阵,/>表示特征矩阵,特征矩阵为基因表达矩阵或图像特征矩阵,/>是可训练的权重矩阵;
(4.2)构建负样本,使用随机函数生成索引,并按照索引,对特征矩阵每一行的信息进行重新排列,得到新的特征矩阵/>:
;
其中,表示索引置换;
将邻接矩阵和新的特征矩阵输入图对比学习网络,并在第/>层输出节点特征表示矩阵/>:
;
(4.3)构建全局样本,将节点特征表示矩阵按列求均值,得到矩阵向量/>:
(4.4)根据优化目标函数训练图对比学习网络模型,优化目标函数如下:
;
其中,表示正样本与全局样本的相似度,表示负样本与全局样本的非关联度,/>用以区分不同样本之间的差异,/>表示spot节点数量,/>表示第/>个spot节点的正样本,/>表示第/>个spot节点的负样本。
进一步的,所述步骤(4)中优化目标公式为:
;
其中,表示步骤(2)获取的图像特征/>与经图对比学习网络模型优化后的图像特征/>之间的关联性,/>表示经图对比学习网络模型优化后的图像特征/>与经图对比学习网络模型优化后的基因表达特征/>之间的关联性,为超参数。
进一步的,所述步骤(5)中图像特征和基因表达特征对齐的目标函数为:
;
其中,表示对比学习的损失函数,/>表示交叉熵,/>表示图像特征/>与基因表达特征/>之间的相似性,/>是聚合图像特征和基因表达特征的实对称矩阵,/>表示矩阵的转置。
进一步的,所述步骤(6)中,从查询集的基因表达特征中查找与新的图像特征关联度最高的基因表达特征的查找公式为:
;
其中,为预测结果,/>为待预测的图像信息通过图对比学习网络模型得到的新的图像特征,/>为查询集, />表示从查询集/>中为每一个找到/>个相似度最高的基因表达特征,再进行按列求均值。
进一步的,所述查询集包括基因表达特征/>及其索引/>,基因表达特征/>表达式为:
;
其中,表示将多个训练集进行拼接,/>表示训练集的数量,/>表示第/>个训练集产生的基因表达矩阵;
索引表达式为:
;
其中,表示第/>个训练集产生的基因表达矩阵的索引;
由此构建查询集:
;
其中,表示将矩阵拼接。
本发明还采用一种基于HSIC-bottleneck的空间转录组spot基因表达预测系统,包括,
数据模块,用于获取训练集,对训练集的空间转录组中每个spot的基因表达进行预处理,并获取每个spot的基因表达矩阵;
图像特征矩阵获取模块,用于获取预处理后的每个spot所在区域的图像特征矩阵;
图结构构建模块,用于使用knn算法构建图结构;
模型训练模块,用于构建并训练图对比学习网络模型,通过图结构的邻接矩阵及基因表达矩阵或者图像特征矩阵获取模块获取的图像特征矩阵分别训练图对比学习网络模型,使用训练后的图对比学习网络模型优化图像特征和基因表达特征;并基于HSIC-bottleneck准则,以最小化图像特征矩阵获取模块获取的图像特征与经图对比学习网络模型优化后的图像特征之间的关联性,同时最大化经图对比学习网络模型优化后的图像特征与经图对比学习网络模型优化后的基因表达特征之间的关联性为目标,得到训练好的图对比学习网络模型以及优化后的图像特征和基因表达特征;
对齐模块,用于将优化后的图像特征和基因表达特征对齐,并得到查询集;
预测模块,用于将待预测的空间转录组spot的图像信息输入训练好的图对比学习网络模型中,得到新的图像特征,从查询集的基因表达特征中查找与新的图像特征关联度最高的基因表达特征,实现空间转录组spot基因表达的预测。
有益效果:本发明相对于现有技术,其显著优点是能够引入了空间信息的双模态嵌入框架,并考虑了HSIC-bottleneck,减少特征的信息冗余,提高预测准确度,能够方便、快速、准确的生成整片苏木精和伊红(H&E)染色组织学图像的空间分辨基因表达谱。
附图说明
图1为本发明预测方法的流程示意图。
图2为本发明预测方法的模型详解示意图。
图3为本发明中Reference制作的可视化过程。
具体实施方式
如图1所示,本实施例中的一种基于HSIC-bottleneck的空间转录组spot基因预测方法,包括如下步骤:
步骤1:获取训练集,对训练集的对空间转录组中每个spot的基因表达进行预处理,包括筛除未检测到基因的spot,对spot基因表达数据进行归一化与对数变换,筛选高可变基因,所获得的基因表达矩阵作为第一模态特征矩阵。
步骤2:使用ResNet-50预训练模型提取每个spot所在区域的图像特征,获取每个spot图像特征矩阵;具体包括:
根据每个spot像素坐标,使用ResNet-50预训练模型提取该坐标上下左右各若干个像素范围内的像素点的特征,得到图像特征矩阵,所获得的图像特征矩阵作为第二模态特征矩阵。
步骤3:使用knn算法构建图结构;
计算与其他/> 之间坐标的欧几里得距离,对于/>,筛选前/>个点距离最小的/>作为/>的邻接节点,构建邻接矩阵/>,由此构建图结构,第一模态和第二模态共享图结构,即共享邻接矩阵。
步骤4:构建并训练图对比学习模型:
步骤4.1:构建正样本,将邻接矩阵和特征矩阵输入图对比学习网络,并在第层输出节点特征表示矩阵/>:
;
其中,表示邻接矩阵,/>表示特征矩阵,特征矩阵为基因表达矩阵或图像特征矩阵,/>是可训练的权重矩阵。
步骤4.2:构建负样本,使用随机函数生成索引,并按照索引,对特征矩阵每一行的信息进行重新排列,得到新的特征矩阵/>:
;
其中,表示索引置换。
将邻接矩阵和新的基因表达矩阵输入图对比学习网络,并在第层输出节点特征表示矩阵/>:
;
步骤4.3:构建全局样本,将步骤4.1所得节点特征表示矩阵按列求均值,得到矩阵向量/>:
;
其中,表示spot节点数量,/>表示正样本。
由此,图对比学习模型的优化目标如下:
;
其中,表示正样本与全局样本的相似度,表示负样本与全局样本的非关联度,/>用以区分不同样本之间的差异,/>表示第/>个spot节点的正样本,/>表示第/>个spot节点的负样本。
步骤5:基于HSIC-bottleneck准则,最小化原始图像特征(使用ResNet-50提取)与经图对比学习优化后的图像特征之间的关联性,同时最大化优化后的图像特征与标签(经图对比学习优化后的基因表达特征)之间的关联性,具体内容包括:
使用HSIC衡量不同特征矩阵之间的相关性,其计算方式为:
;
其中,、/>分别表示两种不同的特征矩阵,/>为计算常量;
表示核矩阵,用以衡量两种不同特征向量之间的相似度,其定义为:
;
其中,分别表示两种不同的特征向量。
由此得到优化目标:
;
其中,表示输入的原始图像特征,/>和/>分别表示经过图对比学习优化后的图像特征和基因表达特征,/>为超参数,其目的在于最小化原始图像特征(使用ResNet-50提取)与经图对比学习优化后的图像特征之间的关联性,同时最大化优化后的图像特征与标签(经图对比学习优化后的基因表达特征)之间的关联性。
步骤6:将图像特征和基因表达特征的对齐具体内容为:
构建目标域(Target Domain),该目标域是聚合图像特征和基因表达特征的矩阵空间,其计算方式如下:
;
其中,表示超参数,/>表示两个特征矩阵之间的相似性,/>是实对称矩阵,/>表示/>属于类别/>的概率。
由此,对比学习的损失函数如下:
;
其中,表示交叉熵,基因表达特征和图像特征与目标域的交叉熵之和愈小,二者也逐渐向目标域对齐,从而实现对齐多模态特征。
由此,该步骤目标函数为:
;
步骤7:构建查询集,具体包括:
由/>和/>组成,其形式如下:
;
其中,表示训练集的数量,/>表示第/>个训练集产生的基因表达矩阵,/>表示将多个训练集进行拼接
同时,与矩阵所对应的索引矩阵/>,其形式如下:
;
其中,表示第/>个训练集产生的基因表达矩阵的索引。
由此构建查询集:
;
其中,表示将矩阵拼接。
在训练完成后,将待预测spot的图像信息输入模型中,得到新的图像特征Query,再从训练集产生的基因表达特征中找出与之关联度最高的基因表达特征,方法如下:
;
其中,表示从/>中为每一个/>找到/>个相似度最高的基因表达特征向量,再将这些特征向量按列求均值,即为预测结果,/>由训练集的基因表达特征及其索引构成。
Claims (10)
1.一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法,其特征在于,包括以下步骤:
(1)获取训练集,对训练集的空间转录组中每个spot的基因表达进行预处理,并获取每个spot的基因表达特征矩阵;
(2)获取预处理后的每个spot所在区域的图像特征矩阵;
(3)使用knn算法构建图结构;
(4)构建并训练图对比学习网络模型,通过图结构的邻接矩阵及基因表达矩阵或者图像特征矩阵分别训练图对比学习网络模型,使用训练后的图对比学习网络模型优化图像特征矩阵和基因表达特征矩阵;并基于HSIC-bottleneck准则,以最小化图像特征矩阵与经图对比学习网络模型优化后的图像特征矩阵之间的关联性,同时最大化经图对比学习网络模型优化后的图像特征矩阵与经图对比学习网络模型优化后的基因表达特征矩阵之间的关联性为目标,得到训练好的图对比学习网络模型以及优化后的图像特征和基因表达特征,
(5)将优化后的图像特征和基因表达特征对齐,并得到查询集;
(6)将待预测的空间转录组spot的图像信息输入训练好的图对比学习网络模型中,得到新的图像特征,从查询集的基因表达特征中查找与新的图像特征关联度最高的基因表达特征,实现空间转录组spot基因表达的预测。
2.根据权利要求1所述的空间转录组spot基因表达预测方法,其特征在于,所述步骤(2)中获取每个spot的像素坐标,使用ResNet-50预训练模型提取每个spot像素坐标上下左右各若干个像素范围内的像素点的特征,得到图像特征矩阵。
3.根据权利要求1所述的空间转录组spot基因表达预测方法,其特征在于,所述步骤(4)中根据点与其他点/>,/>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。
4.根据权利要求1所述的空间转录组spot基因表达预测方法,其特征在于,所述步骤(4)中构建并训练图对比学习网络模型的具体步骤为:
(4.1)构建正样本,将邻接矩阵和特征矩阵输入图对比学习网络,并在第层输出节点特征表示矩阵/>:
;
其中,表示邻接矩阵,/>表示特征矩阵,特征矩阵为基因表达矩阵或图像特征矩阵,是可训练的权重矩阵;
(4.2)构建负样本,使用随机函数生成索引,并按照索引,对特征矩阵每一行的信息进行重新排列,得到新的特征矩阵/>:
;
其中,表示索引置换;
将邻接矩阵和新的特征矩阵输入图对比学习网络,并在第/>层输出节点特征表示矩阵/>:
;
(4.3)构建全局样本,将节点特征表示矩阵按列求均值,得到矩阵向量/>:
(4.4)根据优化目标函数训练图对比学习网络模型,优化目标函数如下:
;
其中,表示正样本与全局样本的相似度,/>表示负样本与全局样本的非关联度,/>用以区分不同样本之间的差异,/>表示spot节点数量,/>表示第/>个spot节点的正样本,/>表示第/>个spot节点的负样本。
5.根据权利要求4所述的空间转录组spot基因表达预测方法,其特征在于,所述步骤(4)中优化目标公式为:
;
其中,表示步骤(2)获取的图像特征/>与经图对比学习网络模型优化后的图像特征/>之间的关联性,/>表示经图对比学习网络模型优化后的图像特征/>与经图对比学习网络模型优化后的基因表达特征/>之间的关联性,/>为超参数。
6.根据权利要求5所述的空间转录组spot基因表达预测方法,其特征在于,所述步骤(5)中图像特征和基因表达特征对齐的目标函数为:
;
其中,表示对比学习的损失函数,/>表示交叉熵,/>表示图像特征与基因表达特征/>之间的相似性,/>是聚合图像特征和基因表达特征的实对称矩阵,/>表示矩阵的转置。
7.根据权利要求1所述的空间转录组spot基因表达预测方法,其特征在于,所述步骤(6)中,从查询集的基因表达特征中查找与新的图像特征关联度最高的基因表达特征的查找公式为:
;
其中,为预测结果,/>为待预测的图像信息通过图对比学习网络模型得到的新的图像特征,/>为查询集, />表示从查询集中/>为每一个/>找到/>个相似度最高的基因表达特征,再进行按列求均值。
8.根据权利要求7所述的空间转录组spot基因表达预测方法,其特征在于,所述查询集包括基因表达特征/>及其索引/>,基因表达特征/>表达式为:
;
其中,表示将多个训练集进行拼接,/>表示训练集的数量,/>表示第/>个训练集产生的基因表达矩阵;
索引表达式为:
;
其中,表示第/>个训练集产生的基因表达矩阵的索引;
由此构建查询集:
;
其中,表示将矩阵拼接。
9.一种基于HSIC-bottleneck的空间转录组spot基因表达预测系统,其特征在于,包括,
数据模块,用于获取训练集,对训练集的空间转录组中每个spot的基因表达进行预处理,并获取每个spot的基因表达矩阵;
图像特征矩阵获取模块,用于获取预处理后的每个spot所在区域的图像特征矩阵;
图结构构建模块,用于使用knn算法构建图结构;
模型训练模块,用于构建并训练图对比学习网络模型,通过图结构的邻接矩阵及基因表达矩阵或者图像特征矩阵获取模块获取的图像特征矩阵分别训练图对比学习网络模型,使用训练后的图对比学习网络模型优化图像特征和基因表达特征;并基于HSIC-bottleneck准则,以最小化图像特征矩阵获取模块获取的图像特征与经图对比学习网络模型优化后的图像特征之间的关联性,同时最大化经图对比学习网络模型优化后的图像特征与经图对比学习网络模型优化后的基因表达特征之间的关联性为目标,得到训练好的图对比学习网络模型以及优化后的图像特征和基因表达特征;
对齐模块,用于将优化后的图像特征和基因表达特征对齐,并得到查询集;
预测模块,用于将待预测的空间转录组spot的图像信息输入训练好的图对比学习网络模型中,得到新的图像特征,从查询集的基因表达特征中查找与新的图像特征关联度最高的基因表达特征,实现空间转录组spot基因表达的预测。
10.根据权利要求9所述的空间转录组spot基因表达预测系统,其特征在于,所述图像特征矩阵获取模块获取每个spot的像素坐标,使用ResNet-50预训练模型提取每个spot像素坐标上下左右各若干个像素范围内的像素点的特征,得到图像特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579284.XA CN117292747B (zh) | 2023-11-24 | 2023-11-24 | 一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579284.XA CN117292747B (zh) | 2023-11-24 | 2023-11-24 | 一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292747A CN117292747A (zh) | 2023-12-26 |
CN117292747B true CN117292747B (zh) | 2024-03-29 |
Family
ID=89253905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311579284.XA Active CN117292747B (zh) | 2023-11-24 | 2023-11-24 | 一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292747B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116312782A (zh) * | 2023-05-18 | 2023-06-23 | 南京航空航天大学 | 一种融合影像基因数据的空间转录组spot区域聚类方法 |
CN116705151A (zh) * | 2023-06-08 | 2023-09-05 | 香港中文大学(深圳) | 一种空间转录组数据的降维方法及系统 |
CN116994245A (zh) * | 2023-08-02 | 2023-11-03 | 厦门大学 | 基于深度学习的空间转录组分析方法、装置及可读介质 |
-
2023
- 2023-11-24 CN CN202311579284.XA patent/CN117292747B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116312782A (zh) * | 2023-05-18 | 2023-06-23 | 南京航空航天大学 | 一种融合影像基因数据的空间转录组spot区域聚类方法 |
CN116705151A (zh) * | 2023-06-08 | 2023-09-05 | 香港中文大学(深圳) | 一种空间转录组数据的降维方法及系统 |
CN116994245A (zh) * | 2023-08-02 | 2023-11-03 | 厦门大学 | 基于深度学习的空间转录组分析方法、装置及可读介质 |
Non-Patent Citations (2)
Title |
---|
FAM3L: Feature-Aware Multi-Modal Metric Learning for Integrative Survival Analysis of Human Cancers;Wei Shao 等;IEEE TRANSACTIONS ON MEDICAL IMAGING;全文 * |
The HSIC Bottleneck: Deep Learning without Back-Propagation;Wan-Duo Kurt Ma;arXiv:1908.01580v3 [cs.LG] 5 Dec 2019;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117292747A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schwartz et al. | Repmet: Representative-based metric learning for classification and one-shot object detection | |
CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
CN112101451A (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN104615634A (zh) | 基于方向特征的手掌静脉指导性快速检索方法 | |
CN112116950B (zh) | 基于深度度量学习的蛋白质折叠识别方法 | |
CN116109613A (zh) | 一种基于分布表征的缺陷检测方法和系统 | |
CN113257357B (zh) | 蛋白质残基接触图预测方法 | |
CN105205349B (zh) | 马尔科夫毯嵌入式的基于封装的基因选择方法 | |
CN109241315A (zh) | 一种基于深度学习的快速人脸检索方法 | |
CN117292747B (zh) | 一种基于HSIC-bottleneck的空间转录组spot基因表达预测方法 | |
CN112949723A (zh) | 一种子宫内膜病理图像分类方法 | |
CN111860591A (zh) | 基于间隔自适应特征选择融合的宫颈细胞图像分类方法 | |
Bai et al. | A unified deep learning model for protein structure prediction | |
CN110532867A (zh) | 一种基于黄金分割法的人脸图像聚类方法 | |
CN114168782B (zh) | 一种基于三元组网络的深度哈希图像检索方法 | |
CN115834161A (zh) | 一种人工智能四层架构的电网假数据注入攻击检测方法 | |
CN114610941A (zh) | 基于对比学习的文物图像检索系统 | |
CN108304546B (zh) | 一种基于内容相似度和Softmax分类器的医学图像检索方法 | |
Joly et al. | Unsupervised individual whales identification: spot the difference in the ocean | |
Wu et al. | Ensemble clustering model of hyperspectral image segmentation | |
CN108959650A (zh) | 基于共生surf特征的图像检索方法 | |
Guo et al. | Stable median centre clustering for unsupervised domain adaptation person re-identification | |
Wang et al. | Unsupervised Hyperspectral Band Selection via Structure-Conserved and Neighborhood-Grouped Evolutionary Algorithm | |
Zhou et al. | Design of Intelligent Analysis System of Basketball Skilled Movement Based on Data Mining Technology | |
CN117746997A (zh) | 一种基于多模态先验信息的顺式调控模体识别方法 |
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 |