文献调研-利用深度学习模型基于scRNA-seq数据识别细胞亚型

Word2vec+LSTM

参考

X. Dong, S. Chowdhury, U. Victor, X. Li and L. Qian, “Semi-supervised Deep Learning for Cell Type Identification from Single-Cell Transcriptomic Data,” in IEEE/ACM Transactions on Computational Biology and Bioinformatics, doi: 10.1109/TCBB.2022.3173587.

模型架构

输入x为细胞，只有部分细胞有类型注释。

1. 与Word2vec类似，Gene2vec利用与一个基因共表达的其他基因定义该基因，这能够以更有效的方式捕捉基因相关性。本文选取表达值最高的topk基因，S(g)=<g1,g2,g3,…,gt,…,gk>；每个基因用Gene2vec生成的embedding表示，<g1,g2,g3,…,gt,…,gk>=<e1,e2,e3,…,et,…,ek>，et为gt的embedding。
2. 将基因embedding输入BiLSTM，每个节点的输出（z）是将正向LSTM向量，输入，反向LSTM向量拼接得到的。
3. 将z输入有监督BiLSTM，学习有标签样本的深度特征（z’），计算输出与标签的交叉熵损失函数（CEL）；将z输入无监督BiLSTM学习无标签样本的重构特征（z’‘），计算z’'与z’的均方误差（MSEL）。最终损失函数是这两项误差值和。
   
   

实验结果

1. 对比算法
   （1）Word-level CNN (Word CNN)
   Y. Kim, “Convolutional neural networks for sentence classification,” arXiv preprint arXiv:1408.5882, 2014.
   （2）Attention-Based Bidirectional RNN (Att RNN)
   P. Zhou, W. Shi, J. Tian, Z. Qi, B. Li, H. Hao, and B. Xu, “Attention based bidirectional long short-term memory networks for relation classification,” in Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers), 2016, pp. 207–212.
   （3）Recurrent CNN (RCNN)
   S. Lai, L. Xu, K. Liu, and J. Zhao, “Recurrent convolutional neural networks for text classification,” in Twenty-ninth AAAI conference on artificial intelligence, 2015.
   （4）word-level bidirectional RNN (Word RNN)
2. 实验结果分析
   （1）在机器学习算法中决策树和SVM准确率最高
   （2）通过Gene2vec得到的embedding比原始基因表达数据能够提高预测准确率。

GNN+BOF

参考

Li, Junyi,Jiang, Wei,Han, Henry,Liu, Jing,Liu, Bo,Wang, Yadong.ScGSLC: An unsupervised graph similarity learning framework for single-cell RNA-seq data clustering[J]Computational biology and chemistry.2021.90

模型架构

数据预处理

1. 输入数据包括基因表达谱和蛋白-蛋白互作网络（PPI）。对基因表达谱，行为基因，列为细胞，挑选方差最大的top5k的基因。
2. 根据PPI将基因映射到网络结构中，但由于有的基因无法在PPI中找到对应ID，因此利用KNN算法（K=2）构建基因共表达网络，将基因共表达网络和PPI融合作为最终网络结构，以保证每个基因均可在网络中找到对应节点。
3. 如果一个细胞中某基因的表达水平在低于设置的基因表达阈值，则移除该细胞中该基因对应的节点和相关的边。至此，每个细胞可以表示为一个图，细胞相关性可以用图相似性表示。

无监督图模型

1. 节点特征更新：对于每个细胞的图，采用GCN结合节点本身和其邻居节点的信息。具体方式采用2018年提出的图同构网络（GIN），传播方式如下：
   
   MLP为多层感知机， ϵ为可训练的参数或超参数，Ni为基因i的邻居节点集合。
2. Bag of features (BOF) 算法
   常用的将图结构转回特征向量的方法包括kernel，graph2vec等，但他们均基于图的子结构，并未考虑边或节点的额外信息。因此本文采用BOF算法将每个图转化为特征向量。BOF算法中，所有图得到的节点特征{v0,v1,…,vm}为输入，根据节点向量进行聚类构建特征字典，将每个图表示为直方图向量。
   BOF算法具体步骤：
   输入：一系列特征向量，例如图中的节点特征，边特征，图像中的像素特征等。
   （1）对所有特征向量聚类，例如k-means等，k根据应用场景指定参数。
   （2）聚类后得到k个聚类中心，即k个特征向量。
   （3）对于每个特征，寻找离他最近的聚类中心。遍历所有特征向量，计算每个特征中心出现的频率，得到特征中心的直方图向量，即长度为k的特征向量。
   输出：长度为k的特征向量。
   更多BOF原理相关解释参考该链接。
   至此，每个细胞可表示为一个特征向量，可根据向量进行细胞聚类，识别细胞类型。
3. 损失函数
   图中节点u的损失函数如下所示，v为u进行随机游走得到的邻居节点。
   

数据集

实验结果（ARI）