插定

scdtl：基于深度转移学习的单细胞RNA-seq插定使用散装细胞信息

摘要。动机：单细胞RNA示例（SCRNA-SEQ）的增长量使研究人员能够研究细胞性质和基因表达曲线，从而在单细胞水平上提供了转录组的高分辨率视图。但是，SCRNA-Seq数据中通常存在的辍学事件仍然是下游分析的挑战。尽管已经开发了许多研究来恢复单细胞表达曲线，但它们的性能有时会受到不完全利用基因之间的固有关系而受到限制。结果：为了解决这个问题，我们提出了一种基于深度转移学习的方法，称为SCDTL，称为SCDTL，用于通过探索大量的RNA序列信息来推出SCRNA-Seq数据。SCDTL首先使用Denoising AutoCododer（DAE）训练批量RNA-Seq数据的插补模型。然后，我们应用了一个域的适应体系结构，该结构在批量基因和单细胞基因域之间构建图形，该结构将大量归档模型学到的知识转移到SCRNA-Seq学习任务。此外，SCDTL采用了1D U-NET DeNoising模型的并行操作，以提供不同粒度的基因表示，从而捕获了Scrna-Seq数据的粗糙和精细特征。在最后一步中，我们使用跨通道注意机制来融合从转移的散装螺旋桨和U-NET模型中学到的效果。在评估中，我们进行了广泛的实验，以证明基于SCDTL的方法可以在定量比较和下游分析中优于其他最新方法。联系人：zhangd@szu.edu.cn或tianj@sustech.edu.cn