DeepLinc 方法总结

最新推荐文章于 2024-09-16 22:20:01 发布

luciferdfg

最新推荐文章于 2024-09-16 22:20:01 发布

阅读量574

点赞数 15

分类专栏：论文感想文章标签：生物信息学算法

本文链接：https://blog.csdn.net/Luciferchang/article/details/135939529

版权

论文感想专栏收录该内容

6 篇文章 1 订阅

订阅专栏

这里总结一下DeepLinc，是一个利用Variational Graph Auto-Encoders计算cell - cell communication 的方法。2022年6月发表的。

Variational Auto-Encoders

VAE
以上就是一个Variational Auto-Encoders. 和Auto-Encoders不同的是，它在encoder的时候计算了隐空间Z的mean和std （假设隐空间服从高斯分布），然后从隐空间分布中重新采样来decoder。这样做的好处是，防止由于一些outlier而导致的过拟合。
如何逼近最优解？变分贝叶斯方法一般用到一个方法叫做Evidence lower bound （ELBO）。关于该方法，https://zhuanlan.zhihu.com/p/365641813 和 https://fangdahan.medium.com/derivation-of-elbo-in-vae-25ad7991fdf7 讲的很清楚，就不做赘述了。

Graph Convolutional Network

传统CNN是应用在图像上的，对每个像素的近邻像素进行卷积。
在这里插入图片描述

图卷积，就是卷积的时候，图的边决定了邻居，由于每个节点的邻居数量不同，就进行一下归一化：
在这里插入图片描述

Variational Graph Auto-Encoders (VGAE)

VGAE如名，它使用图卷积网络 (GCN) encoder 和简单的内积 decoder.
假设N是节点个数，D是度矩阵，A是adjacency matrix，Z 是隐变量矩阵。
和VAE类似先求encoder inference model ：
在这里插入图片描述

注意，这里和VAE不同的是，这里的层是两个图卷积层（GCN)
在这里插入图片描述
decoder （Gernerative model）是用内积求的A矩阵

目标方程就仍然是最大化ELBO:

DeepLinc

懂了上面的，DeepLinc就没什么好讲的，就是用了一下VGAE, X是基因表达矩阵，A是细胞近邻矩阵（空间上的）。decoder 生成的新的A就是新的细胞相互作用矩阵。
唯一不同的是，他说数据由于稀疏，为了提高性能，多加了一个多层感知器（MLP）作为对抗模块，判断隐藏层样本是来自先前的高斯分布还是来自VGAE。
但我没看到怎么加进去的，没写公式。

Reference

https://danijar.com/building-variational-auto-encoders-in-tensorflow/
https://fangdahan.medium.com/derivation-of-elbo-in-vae-25ad7991fdf7
https://zhuanlan.zhihu.com/p/365641813
https://towardsdatascience.com/graph-convolutional-networks-introduction-to-gnns-24b3f60d6c95
https://fangdahan.medium.com/derivation-of-elbo-in-vae-25ad7991fdf7
Li, R., Yang, X. De novo reconstruction of cell interaction landscapes from single-cell spatial transcriptome data with DeepLinc. Genome Biol 23, 124 (2022). https://doi.org/10.1186/s13059-022-02692-0
Kipf, Thomas N., and Max Welling. “Variational graph auto-encoders.” arXiv preprint arXiv:1611.07308 (2016).