使用分布匹配残差网络消除批次效应
机器学习
2018-01-10 v6
摘要
实验导出数据的变异性来源包括除感兴趣的物理现象之外的测量误差。这种测量误差是源自测量仪器的系统分量和随机测量误差的组合。几种新颖的生物技术，如质谱流式细胞术和单细胞 RNA-seq，受到系统误差的困扰，如果数据未得到适当校准，这些误差可能严重影响统计分析。我们提出了一种新颖的深度学习方法，用于消除系统性批次效应。我们的方法基于一个残差网络，训练该网络以最小化在不同批次中测量的两个重复样本的多元分布之间的最大均值差异（MMD）。我们将我们的方法应用于质谱流式细胞术和单细胞 RNA-seq 数据集，并证明它有效地减弱了批次效应。
引用
@article{arxiv.1610.04181,
title = {Removal of Batch Effects using Distribution-Matching Residual Networks},
author = {Uri Shaham and Kelly P. Stanton and Jun Zhao and Huamin Li and Khadir Raddassi and Ruth Montgomery and Yuval Kluger},
journal= {arXiv preprint arXiv:1610.04181},
year = {2018}
}
备注
fixed typo