[發(fā)明專(zhuān)利]大規(guī)模單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)高效聚類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110459530.2
• 申請(qǐng)日: 2021-04-27
• 公開(kāi)（公告）號(hào): CN113178233B
• 公開(kāi)（公告）日: 2023-04-28
• 發(fā)明（設(shè)計(jì)）人: 高琳;史凱玥;胡宇軒;葉育森;張晨星
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G16B40/30
• 分類(lèi)號(hào): G16B40/30;G06F18/23213;G16B30/10
• 代理公司: 陜西電子工業(yè)專(zhuān)利中心 61205
• 代理人: 王品華;朱紅星

本發(fā)明公開(kāi)了一種大規(guī)模單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)高效聚類(lèi)方法，主要解決現(xiàn)有大規(guī)模聚類(lèi)方法運(yùn)行時(shí)間長(zhǎng)，效率低，甚至不能正常運(yùn)行的問(wèn)題。其方案為：對(duì)大規(guī)模單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)的基因特征進(jìn)行篩選，篩選出高表達(dá)的基因，初步降低細(xì)胞維度；對(duì)細(xì)胞進(jìn)行密度抽樣，使抽樣出的一組新樣本盡可能的包含更完整的細(xì)胞類(lèi)型；對(duì)抽樣出的新樣本進(jìn)行共享最近鄰SNN構(gòu)圖圖并使用Louvain算法對(duì)共享最近鄰SNN圖進(jìn)行聚類(lèi)，獲得新樣本中細(xì)胞的細(xì)胞類(lèi)型；對(duì)于剩下的未參與聚類(lèi)的細(xì)胞，分別在已知標(biāo)簽的細(xì)胞中查找近似k近鄰，k近鄰中最多的那一類(lèi)細(xì)胞的類(lèi)型，即為未參與聚類(lèi)的細(xì)胞類(lèi)型。本發(fā)明運(yùn)行時(shí)間短，效率高，可用于大規(guī)模細(xì)胞類(lèi)型識(shí)別，細(xì)胞軌跡推理。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，具體涉及一種單細(xì)胞轉(zhuǎn)錄組聚類(lèi)方法，可用于大規(guī)模細(xì)胞類(lèi)型識(shí)別，細(xì)胞軌跡推理，基因差異表達(dá)。

背景技術(shù)

隨著單細(xì)胞測(cè)序技術(shù)的發(fā)展和測(cè)序成本的下降，越來(lái)越多的大規(guī)模單細(xì)胞數(shù)據(jù)被產(chǎn)生。而對(duì)這些大規(guī)模高維的單細(xì)胞數(shù)據(jù)進(jìn)行處理和分析是一個(gè)非常具有挑戰(zhàn)性的工作。聚類(lèi)分析是單細(xì)胞分析中最基礎(chǔ)的一個(gè)步驟，聚類(lèi)的準(zhǔn)確率和效率對(duì)后續(xù)分析有很大的影響。

以往的單細(xì)胞聚類(lèi)算法，由于當(dāng)時(shí)數(shù)據(jù)量的限制，在設(shè)計(jì)算法時(shí)，并沒(méi)有考慮到應(yīng)用于大規(guī)模的數(shù)據(jù)，其主要是應(yīng)用于小規(guī)模的單細(xì)胞數(shù)據(jù)集。當(dāng)數(shù)據(jù)量提升時(shí)，其運(yùn)行時(shí)間會(huì)大幅增加，效率是十分低的，甚至有的算法不能正常運(yùn)行。

目前已經(jīng)開(kāi)發(fā)了一些專(zhuān)門(mén)的聚類(lèi)算法來(lái)從單細(xì)胞RNA數(shù)據(jù)集中識(shí)別細(xì)胞的類(lèi)型。

2015年Chen?Xu等人在Bioinformatics上提出的單細(xì)胞聚類(lèi)方法SNN-Cliq，是利用共享最近鄰SNN的概念定義相似性并進(jìn)行構(gòu)圖，之后使用一種基于準(zhǔn)clique的聚類(lèi)算法進(jìn)行聚類(lèi)。這個(gè)方法在高維度的單細(xì)胞基因表達(dá)數(shù)據(jù)集上，比傳統(tǒng)方法更有優(yōu)勢(shì)，此外，它需要很少的輸入?yún)?shù)，且能夠自動(dòng)確定聚類(lèi)的個(gè)數(shù)。

2016年Justina?Zurauskiene等人在BMC上提出了一個(gè)名為pcaReduce的聚類(lèi)算法，它整合了主成分分析PCA和層次聚類(lèi)方法，建立了主成分分析給出的降維后的表示和細(xì)胞聚類(lèi)的數(shù)量之間的關(guān)系。

2017年P(guān)eijie?Lin等人在Genome?Biology上提出了一個(gè)名為CIDR的聚類(lèi)算法,該算法通過(guò)插補(bǔ)以減少單細(xì)胞數(shù)據(jù)中dropout的影響，并且改進(jìn)了PCA和層次聚類(lèi)算法，在當(dāng)時(shí)聚類(lèi)精度方面優(yōu)于當(dāng)時(shí)最先進(jìn)的算法，t-SNE，ZIFA和RaceID,CIDR通常在幾秒鐘內(nèi)可以完成處理數(shù)百個(gè)細(xì)胞的數(shù)據(jù)集，幾分鐘內(nèi)完成處理數(shù)千個(gè)細(xì)胞的數(shù)據(jù)集，這在當(dāng)時(shí)可以說(shuō)是最快的算法。

2017年Bo?Wang等人在Nature?Methods上提出的名為SIMLR的分析框架和軟件，它主要的貢獻(xiàn)是從單細(xì)胞RNA-seq數(shù)據(jù)中學(xué)習(xí)出一個(gè)合適的度量細(xì)胞間相似性的標(biāo)準(zhǔn)，有了這種相似性度量標(biāo)準(zhǔn)后，就可以進(jìn)行后續(xù)的降維、聚類(lèi)和可視化。

2017年Vladimir?Yu.Kiselev等人在Nature?Methods上提出了一個(gè)單細(xì)胞RNA測(cè)序數(shù)據(jù)的無(wú)監(jiān)督聚類(lèi)算法SC3。它是利用多個(gè)度量標(biāo)準(zhǔn)計(jì)算細(xì)胞之間的距離，構(gòu)建距離矩陣后通過(guò)k-means聚類(lèi)，再將多個(gè)距離度量標(biāo)準(zhǔn)得到的聚類(lèi)結(jié)果通過(guò)CSPA進(jìn)行一致聚類(lèi)得到最終的聚類(lèi)結(jié)果。通過(guò)一致聚類(lèi)的方法將多個(gè)聚類(lèi)結(jié)果組合到一起，從而得到高精度和魯棒的聚類(lèi)結(jié)果。但這個(gè)算法需要研究人員自己定義聚類(lèi)個(gè)數(shù)，但在大多數(shù)情況下，研究人員并不能確切的知道需要聚幾類(lèi)。

2018年Debajyoti?Sinha等人在Nucleic?Acids?Research上提出的名為dropClust的聚類(lèi)算法。這個(gè)算法是利用局域敏感哈希技術(shù)，開(kāi)發(fā)的一種適用于大規(guī)模單細(xì)胞RNA數(shù)據(jù)的聚類(lèi)算法，其在運(yùn)行時(shí)間和效率上顯著優(yōu)于其他聚類(lèi)算法。

2018年Andrew?Butler等人在Nature?Biotechnology發(fā)表的Seurat工具，是現(xiàn)在單細(xì)胞分析中使用最廣泛的工具之一，其中的聚類(lèi)分析使用的是SNN-Cliq圖聚類(lèi)的改進(jìn)版。