用于 Patch-seq 数据探索性非线性可视化的稀疏瓶颈神经网络
机器学习
2022-01-26 v3 机器学习
摘要
Patch-seq 是一种最近开发的实验技术，允许神经科学家从同一神经元中获取转录组学和电生理学信息。然而，高效地分析和可视化此类成对多变量数据以提取具有生物学意义的解释仍然是一个挑战。在这里，我们使用带有和不带有二维瓶颈的稀疏深度神经网络，通过组 lasso 惩罚从转录组学特征预测电生理学特征，从而产生简洁且具有生物学可解释性的二维可视化。在两个大型示例数据集中，这种可视化在没有生物学先验知识的情况下揭示了已知的神经元类别及其标记基因。我们还证明了我们的方法适用于其他类型的多模态数据，例如由 CITE-seq 提供的成对转录组学和蛋白质组学测量数据。
引用
@article{arxiv.2006.10411,
title = {Sparse bottleneck neural networks for exploratory non-linear visualization of Patch-seq data},
author = {Yves Bernaerts and Philipp Berens and Dmitry Kobak},
journal= {arXiv preprint arXiv:2006.10411},
year = {2022}
}
备注
17 pages, 16 figures