一种单细胞RNA测序数据的归一化和转化方法

论文摘要

单细胞RNA测序技术（scRNA-seq）是将RNA测序技术应用于单个细胞转录组的研究。但由于单个细胞中RNA的数量非常有限,scRNA-seq在很大程度上依赖于RNA扩增。而这种频繁的RNA扩增可能会引起随机丢失事件,其主要体现在表达矩阵中会出现大量零计数。同时,scRNA-seq数据需要满足下游流程分析中所使用的方法的基本假设。因此,scRNA-seq数据分析需要更专业的归一化和转化方法。本文总结了当前主流的scRNA-seq数据归一化和转化的方法,进一步地提出来一种基于稳定表达基因同分布的归一化和转化方法。该方法提供了一种新的选择稳定表达基因的方法,同时能去除稳定表达基因中的技术噪音,并且使归一化和转化后的稳定表达基因更接近同分布。除此之外,该方法确保在下游流程分析中能够保留细胞中的生物异质性,提高其在降维、聚类、差异表达基因分析等下游流程分析中的准确度。本文采用了深度学习中自编码器作为归一化和转化的技术工具,并对进一步提高自编码器的性能提出了一些可行的构想。本文选取了五个公开的scRNA-seq数据集作为实证分析中的处理数据集,在对其进行归一化和转化后,从方法的收敛性和稳定性、稳定表达基因的选择、稳定表达基因的转化结果和细胞异质性分析四个角度展示了相应的结果。结果表明,本论文提出的scRNA-seq数据归一化和转化方法表现良好,具有一定的应用价值。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 课题来源
•   1.2 课题研究背景
•   1.3 国内外研究现状及分析
•     1.3.1 国内外研究现状
•     1.3.2 国内外文献解析
•   1.4 主要研究内容
• 第2章 理论简介
•   2.1 偏态与峰态
•   2.2 LOWESS
•   2.3 自编码器
•     2.3.1 自编码器简介
•     2.3.2 M-P神经元模型及神经网络常见概念
•     2.3.3 误差逆传播算法
•     2.3.4 过拟合问题
•   2.4 KL散度
•   2.5 本章小结
• 第3章 算法流程
•   3.1 算法流程
•   3.2 初始归一化和转化
•   3.3 过滤
•     3.3.1 过滤低计数基因
•     3.3.2 过滤高度变化的基因
•   3.4 计算数据转换参数?并放缩
•   3.5 本章小结
• 第4章 实证分析
•   4.1 数据集来源
•   4.2 收敛性和稳定性
•   4.3 稳定表达基因的选择
•   4.4 稳定表达基因的转化结果
•   4.5 细胞异质性分析
•   4.6 针对算法的分析和讨论
•   4.7 本章小结
• 结论
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 韩一辉

导师: 刘伟

关键词: 单细胞测序,归一化,转化,稳定表达基因,自编码器

来源: 哈尔滨工业大学

年度: 2019

分类: 基础科学

专业: 生物学

单位: 哈尔滨工业大学

分类号: Q78

DOI: 10.27061/d.cnki.ghgdu.2019.003145

总页数: 54

文件大小: 1239K

下载量: 183