【算法详解】scBasset——使用卷积神经网络的scATAC-seq数据基于序列建模方法

目录

0 参考文献

1 模型特点

2 模型结构

---

0 参考文献

scBasset原论文：scBasset: sequence-based modeling of single-cell ATAC-seq using convolutional neural networks

1 模型特点

对于染色质可及性和scATAC-seq数据以及表观组学的介绍已经在之前的博客中提及，这里不再重复。

许多对于scATAC-seq数据进行分析的方法都只关注peak-by-cell矩阵，即每一行是一个peak（peak指的是某些区域的DNA开放性显著高于其他区域，感觉可以翻译为峰值区域），每一列对应一个细胞的矩阵。大多数方法采用这些标记的peak，将它们表示为基因组上的坐标，而忽略了这些peak对应的具体DNA序列信息。例如SCALE，使用VAE+GMM的方法将peak-by-cell矩阵映射到一个低维空间。

这篇文章提出的scBasset是一种应用DNA序列信息，基于卷积神经网络CNNs来处理scATAC-seq数据的方法。

在这个模型中，第一个卷积层学习转录因子结合位点（TF motifs，特定DNA序列）和其他序列因子。后续卷积层计算这些特征的非线性组合，来得到序列的嵌入结果。最后添加线性层以预测单细胞染色质可及性数据。

2 模型结构

模型的从每一个peak（很长，具有很多碱基对）的中心选取长度为1344-bp的DNA序列，并使用one-hot转换为一个1344*4的矩阵（因为DNA碱基只有A、T、C、G四种），即每一个peak对应一个1344*4的矩阵。

模型第一层是一个1D卷积层，包含288个大小为17*4的filter（有padding），随后进行批次标准化和GELU激活，再通过宽度为3的最大池化操作，最后输出大小为448*228的矩阵。

随后是一个卷积塔（convolution tower），如上图所示，包含六个卷积单元，每个单元包含卷积层、批次标准化、GELU和最大池化。最终输出矩阵大小为7*512。

接着是一个1D卷积层，包含256个宽度为1的filter，依旧跟随着批次标准化和GELU。输出大小为7*256，并将其展开成1*1792的向量。

将向量输入一个具有32个单元的瓶颈层（批次标准化、0.2的dropout率、GELU），最终输出大小为1*32的向量。这个向量是这个peak（中心1344个碱基序列）的低维表示。

最后通过一个全连接层预测该peak在每个细胞中的开放程度。

该模型具有一个可选模块用于批次校正。在瓶颈层后连接的第二个并行的全连接层，用于预测特定批次的细胞的染色质可及性向量，这个向量会与batch-by-cell矩阵相乘来表示不同批次（例如不同捐献者）对于染色质可及性的影响。这个影响会加到之前预测的开放程度上，并最终以一个sigmoid激活函数放缩到[0,1]范围。

假设有n_peaks个peak，n)cells个细胞。那么瓶颈模块最终得到的表示为n_peaks*32矩阵，通过全连接层学习到的参数则是一个32*n_cells的权重矩阵（忽略截距，因为测序深度信息完全由最终层的截距项所捕获，而不希望考虑测序深度造成的影响），这个矩阵每一列对应一个细胞的低维表示，通过这个矩阵的列向量可以对细胞进行聚类、可视化等操作。

ps：方法上基本就是卷积网络获取低维表示，其实没有太多需要细说的地方。