用于神经元表型遗传特征分解的因子化判别分析
定量方法
2023-12-13 v7 机器学习
摘要
在单细胞转录组数据的复杂格局中导航面临重大挑战。该挑战的核心在于识别能揭示细胞类型结构与功能属性的高维基因表达模式的有意义表征。出于对模型可解释性与计算简洁性的追求，我们常寻求对原始数据的线性变换，使其与细胞的关键表型特征对齐。为满足此需求，我们引入因子化线性判别分析（FLDA），一种用于线性降维的新方法。FLDA 的关键在于识别一种基因表达水平的线性函数，其与某一表型特征高度相关，同时最小化其他特征的影响。为增强该方法，我们将其与基于稀疏性的正则化算法相整合。该整合至关重要，因其筛选出对特定表型特征或其组合起关键作用的基因子集。为阐明 FLDA 的有效性，我们将其应用于果蝇视叶神经元的转录组数据集。我们证明 FLDA 不仅捕获了与表型特征对齐的固有结构模式，还揭示了与各表型相关的关键基因。
引用
@article{arxiv.2010.02171,
title = {Factorized Discriminant Analysis for Genetic Signatures of Neuronal Phenotypes},
author = {Mu Qiao},
journal= {arXiv preprint arXiv:2010.02171},
year = {2023}
}