几何结构引导的模型与算法用于基因表达数据完全解卷积
最优化与控制
2022-02-18 v1
摘要
批量 RNAseq 数据的完全解卷积分析对于区分患者与正常对照组织中和疾病相关的 GEP(基因表达谱)差异是由组织样本细胞组成变化引起,还是由特定细胞中 GEP 变化引起,具有重要且有益的作用。执行完全解卷积的主要技术之一是非负矩阵分解(NMF),其在机器学习领域也有广泛应用。然而,NMF 是众所周知的严重不适定问题,因此直接将 NMF 应用于 RNAseq 数据会在解的可解释性上遭遇严重困难。本文中我们发展了基于 NMF 的数学模型及相应计算算法,以改善批量 RNAseq 数据解卷积解的可辨识性。在我们的方法中,我们将标记基因的生物学概念与 NMF 理论的可解性条件相结合,发展了几何结构引导的优化模型。该策略中,首先通过谱聚类技术探索批量组织数据的几何结构。然后,将标记基因的识别信息作为可解性约束整合进来,同时将整体相关图用作流形正则化。合成数据与生物数据均用于验证所提模型与算法,其解的可解释性与准确性得到显著提升。
引用
@article{arxiv.2202.08733,
title = {Geometric structure guided model and algorithms for complete deconvolution of gene expression data},
author = {Duan Chen and Shaoyu Li and Xue Wang},
journal= {arXiv preprint arXiv:2202.08733},
year = {2022}
}