使用生成对抗网络去除批次效应
机器学习
2019-06-24 v3 机器学习
摘要
许多生物数据分析过程，如细胞术或下一代测序 (NGS)，会产生大量数据，这些数据需要分批处理以进行下游分析。由于在不同时间、由不同实验员或在其他不同条件下处理批次，此类数据集容易出现技术变异。这为来自同一源样本的批次增加了变异。这些变异被称为批次效应。这些变异与由生物学引起的自然变异可能会混淆，但通过精心策划的实验可以避免此类情况。批次效应会妨碍下游分析，也可能导致结果不确定。因此，校正这些效应至关重要。这可以通过此处提出的一种基于生成对抗网络 的全新框架来解决，与其他先前方法相比，使用该框架的优势在于此处无需选择再生核并定义其参数。报告了该框架在质量流式细胞术数据集上的结果。
引用
@article{arxiv.1901.06654,
title = {Removal of Batch Effects using Generative Adversarial Networks},
author = {Uddeshya Upadhyay and Arjun Jain},
journal= {arXiv preprint arXiv:1901.06654},
year = {2019}
}
备注
4 pages