脑基因转录的压缩表示
机器学习
2024-07-12 v3 基因组学
神经元与认知
摘要
大脑的架构过于复杂，若不借助将其变异投影至紧凑、可导航空间的压缩表示，便无法直观把握。该任务在高维数据（如基因表达）下尤为艰巨，因为解剖与转录模式的联合复杂性要求最大程度的压缩。既定做法是使用标准主成分分析（PCA），其计算便利性被有限的表达能力所抵消，尤其在高压缩比下。利用全脑体素级Allen Brain Atlas转录数据，我们在此系统比较基于最广泛支持的线性与非线性方法的压缩表示——PCA、核PCA、非负矩阵分解（NMF）、t-随机邻域嵌入（t-SNE）、均匀流形逼近与投影（UMAP）以及深度自编码——在重建保真度、解剖一致性及针对信号、微结构与代谢目标的预测效用方面进行量化。我们表明深度自编码器在所有性能度量与目标域上均产生更优表示，支持其作为人脑转录模式表示的参考标准。
引用
@article{arxiv.2310.16113,
title = {Compressed representation of brain genetic transcription},
author = {James K Ruffle and Henry Watkins and Robert J Gray and Harpreet Hyare and Michel Thiebaut de Schotten and Parashkev Nachev},
journal= {arXiv preprint arXiv:2310.16113},
year = {2024}
}
备注
22 pages, 5 main figures, 1 supplementary figure