基于 kNN 图保持的流式细胞术数据批次归一化

飞行时间流式细胞术（CyTOF）高维数据中的批次效应给不同实验条件或时间点的比较分析带来挑战。传统批次归一化方法可能无法保持细胞群体固有的复杂拓扑结构。本文提出一种基于残差神经网络的点集配准方法，专门解决 CyTOF 数据中的批次归一化问题，同时保持细胞群体的拓扑结构。通过将对齐问题视为从目标分布中采样的细胞沿正则化位移向量场的移动（类似于相干点漂移（CPD）），我们的方法引入了基于 Jacobian 的代价函数与几何感知统计距离以确保局部拓扑保持。我们为应用 Jacobian 代价时目标数据的 k 近邻（kNN）图保持提供了理论依据，这对维持细胞间生物学关系至关重要。此外，我们引入了高维配准的随机近似，使 CyTOF 数据高维空间的对齐可行。我们的方法在高维 CyTOF 数据集上得到验证，有效对齐细胞分布同时保持 kNN 图结构。这使得准确的批次归一化成为可能，促进了生物医学研究中的可靠比较分析。