用于细胞类型多模态分析的耦合自编码器方法
神经元与认知
2019-11-14 v1 机器学习
机器学习
摘要
近期单个神经元的高通量分析技术的发展推动了以数据驱动方式探索如下观点：存在被称为细胞类型的神经元自然分组。这一观点的前景在于，脑回路的巨大复杂性可被简化，并可通过细胞类型间的相互作用加以有效研究。虽然基于特定数据模态对神经元群体进行聚类可用于定义细胞类型，但此类定义在不同表征模态间常常不一致。我们将这一跨模态对齐问题表述为一个优化问题，并开发了基于自编码器耦合训练的方法作为此类分析的框架。我们将该框架应用于一个 Patch-seq 数据集，该数据集包含同一组神经元的转录组和电生理轮廓，以研究跨模态表征的一致性，并评估跨模态数据预测能力。我们探讨了仅有一部分神经元被多于一种模态表征的问题，并证明耦合自编码器学习到的表征可用于识别仅以单一模态采样的类型。
引用
@article{arxiv.1911.05663,
title = {A coupled autoencoder approach for multi-modal analysis of cell types},
author = {Rohan Gala and Nathan Gouwens and Zizhen Yao and Agata Budzillo and Osnat Penn and Bosiljka Tasic and Gabe Murphy and Hongkui Zeng and Uygar Sümbül},
journal= {arXiv preprint arXiv:1911.05663},
year = {2019}
}
备注
Main text : 10 pages, 5 figures. Supp text : 6 pages, 3 figures