面向基因组空间重构的距离保持表示
机器学习
2025-11-21 v3 机器学习
摘要
单细胞基因表达数据的空间背景对于许多下游分析至关重要，但常因实际和技术限制而难以获取，限制了其实用性。本文提出一种通用的表示学习和迁移学习框架 dp-VAE，能够重构与提供的基因表达数据相关的空间坐标。我们方法的核心在于将距离保持正则化器集成到训练过程中的损失函数中，以确保模型有效捕获和利用来自参考数据集的空间上下文信号。在推断阶段，模型产生的潜在表示可用于通过求解受约束优化问题来重构或插值提供的基因表达的空间上下文。我们还探讨了距离保持损失、失真以及生成模型中双 Lipschitz 条件之间的理论联系。最后通过在 27 个公开数据集上进行测试，展示了 dp-VAE 在训练鲁棒性、跨样本评估和迁移学习推断应用中的有效性。这凸显了其适用于广泛的基因组学研究，这些研究之前因缺乏空间数据而受限。
引用
@article{arxiv.2408.00911,
title = {Distance-Preserving Representations for Genomic Spatial Reconstruction},
author = {Wenbin Zhou and Jin-Hong Du},
journal= {arXiv preprint arXiv:2408.00911},
year = {2025}
}