[发明专利]一种计算机处理采集设备数据的融合方法

权利要求书

1.一种计算机处理采集设备数据的融合方法，其特征在于：包括有步骤一、通过计算机对设备采集几组不同的单细胞信息点和细胞类型构成细胞数据条形码，并对基因数据进行分析验证，并引入一组模拟数据集，以保证分析验证步骤的准确性，模拟数据集事先设定构建空间转录组数据矩阵中每个细胞信息捕获点S的细胞数据条形码，最后得到的分析验证结果便可以直接和真实的设备采集结果进行对比分析；模拟数据集的生成步骤为：选定部分细胞数据条形码建构细胞数据条形码集，并对细胞数据条形码集按需要拆分并建构为生成集矩阵和验证集矩阵，生成集矩阵用来模拟空间转录组数据矩阵，验证集矩阵用于验证后续过程中细胞数据条形码和空间转录组数据矩阵进行整合的结果；

步骤二、设计参数：定义空间转录组数据矩阵中的参数，根据设计参数对空间转录组数据矩阵用计算机设计和构建空间转录组数据矩阵：设定存在细胞数据条形码时，空间转录组数据矩阵中存在细胞信息捕获点S，判定每个细胞信息捕获点S中得到多个细胞数据条形码；空间转录组数据矩阵还包括基因数据和单细胞信息点；基因数据和单细胞信息点以及细胞类型进行关联，单细胞信息点以及细胞类型包含不同的基因数据，基因数据又表达在不同的单细胞信息点以及细胞类型当中；

步骤三、不同单细胞信息点对应不同的细胞类型；定义细胞类型的密度和稀疏性，密度分为高密度或低密度，表示在某一个细胞信息捕获点S中的细胞类型是低密度还是高密度；稀疏性是细胞类型分布位置的稀疏性，稀疏性表示细胞类型是均匀分布在空间位置上，还是聚集在某一块，并同时考虑细胞类型所在的总细胞信息捕获点S数和每个细胞信息捕获点S中平均单细胞信息点的个数；

步骤四、开始将细胞信息捕获点S得到细胞数据条形码抽取为单细胞信息点和细胞类型构成，再对单细胞信息点所属的细胞类型使用狄利克雷分布生成调整和未调整之间的比例：将现有的所有细胞类型浓度设置为1，则可以得到每个细胞信息捕获点S中每种细胞类型的细胞个数，并需要将每种细胞类型的细胞个数调整到与细胞信息捕获点S中最接近的整数值，然后开始定义不同细胞类型的密度，利用计算细胞类型比例密度，得到来调整返回迭代得到每个细胞信息捕获点S中最合适的每种细胞类型的单细胞信息点的个数；然后从每种细胞类型中取样得到想要分析的单细胞信息点的总数，并对单细胞信息点的总数取样得到不同细胞类型，通过单细胞信息点的总数和不同细胞类型计算得出第一表达矩阵。

2.根据权利要求1所述的一种计算机处理采集设备数据的融合方法，其特征在于：包括有步骤五、开始第一原始表达矩阵的预处理：从网站下载获得第一原始表达矩阵，第一原始表达矩阵包括有单细胞转录组数据和空间转录组数据矩阵；单细胞转录组数据的构成为第一急需表达矩阵，第一急需表达矩阵由基因数据信息和细胞数据条形码构成，空间转录组数据矩阵的构成为第二急需表达矩阵，第二急需表达矩阵由基因数据信息和细胞信息捕获点S组成；将第一原始表达矩阵导入预处理工具包后，预处理工具包对第一原始表达矩阵进行处理，并统一格式，创建第一原始统一格式对象集；

步骤六、预处理工具包创建完第一原始统一格式对象集后，将第一原始统一格式对象集保存在预处理工具包里不同的存储位置中，并将存储位置命令为插槽；再利用预处理工具包中自带函数来进行数据预处理得到第一处理统一格式对象集，自带函数的功能包括有筛选、降维、聚类、可视化操作，预处理工具包用于单细胞信息点的质控和分析，能在使用户能够识别和解释单细胞转录组数据中的异质性来源，同时提供能整合不同细胞类型的单细胞信息点的自带函数；

自带函数的功能中的筛选功能执行步骤为：建立质控图，开始观察第一处理统一格式对象集中每个细胞数据条形码中的基因数据的表达值的总数量，并计算每个细胞数据条形码中的线粒体基因数据的表达值的总数量，其中线粒体基因数据表达值设为不为0，从而根据含有的基因数据的表达值的总数量、线粒体基因数据的表达值的总数量进行筛选，然后对计算得出的数值设置阈值，低于阈值的单细胞信息点将从细胞数据条形码中被删掉；

质控图分别展示第一处理统一格式对象集中每个细胞数据条形码中测到的基因数据的总数量、测到的每个单细胞信息点中的所有的基因表达的量数据之和以及线粒体基因数据的总数量的分布情况，通过质控图根据需要过滤掉无用数据，并对过滤的无用数据进行确定，设定产生的线粒体基因数据的表达比例过高的数据作为无用数据会被过滤；

然后利用标准化处理函数来对第一处理统一格式对象集进行标准化处理，以能够去除技术误差和批次效应；对第一表达矩阵进行一系列的处理，便进行可视化操作及下游分析；可视化操作能将标准化处理后的第一处理统一格式对象集中的数据整合在低维空间中以便于观测，

步骤七、然后通过预处理工具包开始进行线性转换的操作，线性转换的操作能保留单个或多个单细胞信息点之间的欧式距离，将主成分映射到生物协变量中，以提高数据分析统计效率；

步骤八、为得到空间转录组数据矩阵中每个基因数据的基因表达值，将单细胞信息点乘一个比例因子，对所有选定的细胞类型和预先定义的常数进行求和，从而得到一个用来模拟空间转录组数据矩阵的生成集矩阵，其中比例因子是自定义的常数；

步骤九、开始单细胞信息点和空间转录组数据矩阵融合计算：子步骤1：对带有细胞类型的标签的单细胞信息点进行聚类获得不同的细胞信息簇，找出每个细胞信息簇中与其它细胞信息簇表达差异的特异性基因作为半监督信息，半监督信息为后续反卷积算法提供先验信息；子步骤2：结合单细胞信息点对空间转录组数据矩阵进行反卷积算法；子步骤3：提升空间转录组数据矩阵图谱分辨率算法；

子步骤1：分析工具的基尼指数来获得每个细胞信息簇的特征基因集，基尼指数表示在样本集合中一个随机选中的样本被分错的概率，基尼指数指数越小表示集合中被选中的样本被分错的概率越小，也就是说集合的纯度越高，反之，集合越不纯；

默认选择每组细胞信息簇中表达前100的基因数据，将挑选出来的所有基因数据保存作为表达基因数据矩阵Ghvg(X1，X2…)；其中X1代表细胞类型中非常高表达基因的基因数据集合，X2代表细胞类型中较高表达的基因数据集合，依次往后，默认子步骤1只选择前两组；

由于挑选出来的基因数据是每组细胞信息簇中表达前100的基因数据，表达前100的基因数据的基因表达也存在着差异，有的基因数据高表达，有的基因数据非高表达，利用寻找出的各个细胞类型中的高表达的基因进行训练，以提高训练速度，而被筛选去除的非高表达基因在各个细胞类型中并不显著表达，没有明显的特征，当在后续的训练过程中拖累训练速度时，通过实际操作对非高表达基因进行忽略以减少误差，并在后续计算中设定非高表达基因与所有的细胞类型的相关性不强，对空间转录组数据矩阵利用高表达基因矩阵Ghvg(x1，x2…)进行筛选，得到高表达基因hvg和细胞信息捕获点S的高基因表达矩阵；

依次按照基因数据表达的范围来挑选对应的几组基因数据，将几组基因数据保存到不同的训练集矩阵中，此时训练集矩阵赋值为{Gong(X1)，Gong(X2)，…}，

子步骤2：使用反卷积算法模型结合单细胞信息点对空间转录组数据矩阵进行反卷积算法，并加入步骤九中特异性基因作为少许先验知识加入反卷积算法模型，构成半监督信息，并对少许先验知识赋予一个权重；

子步骤3：在寻找到的细胞信息簇中的标记基因时，有的细胞信息簇中有高表达的基因数据a1，有的细胞信息簇中相较于其他细胞信息簇只是有较高表达却不是十分高表达的基因数据a2，为区分高表达的基因数据a1和有较高表达却不是十分高表达的基因数据a2，设置不同的分等级的先验知识，将标记基因分成几类，分别赋予不同的权重，反卷积算法的具体过程如下：

开始训练反卷积算法模型，先输入细胞类型的个数、要训练的基因数据和迭代次数；训练完反卷积算法模型之后，将空间转录组数据矩阵作为模型的输入文件，并且输入半监督信息到训练集矩阵{Gong(X1)，Gong(X2)，…}中，训练集矩阵中元素默认为Gong(X1)，Gong(X2)两组，对训练集矩阵中Gong(X1)的权重设置为9，Gong(X2)的权重设置为5；

为让反卷积算法模型的计算结果更准确，先利用单细胞转录组数据来进行验证并调节参数，可以直接将单细胞转录组数据和训练集矩阵中的Gong(X1)、Gong(X2)放入到反卷积算法模型中进行训练，得到真实的细胞类型和预测的细胞类型构成的验证集矩阵，并与步骤八得到的生成集矩阵一起进行验证；

由于单细胞信息点是带有标签的数据，每个单细胞信息点具有一个细胞类型，因此可以得到一组预测的细胞类型和真实的细胞类型的相关性矩阵；然后根据得到的相关性矩阵，判断预测的细胞类型和真实的细胞类型的差异，从而对半监督信息和权重进行调整，直到预测的细胞类型和真实的细胞类型结果类似；

子步骤4：在单细胞转录组数据验证并调节参数之后，生成调好参数的Gong(X'1)、Gong(X'2)，反卷积算法模型便开始直接对空间转录组数据矩阵进行反卷积运算，直接将空间转录组数据矩阵和调好的参数Gong(X'1)、Gong(X'2)等放入到反卷积算法模型中进行训练计算，得到每个细胞信息捕获点S和细胞类型的概率分布矩阵，再对概率分布矩阵进行归一化便得到细胞类型比例预测矩阵；

子步骤5：利用反卷积算法得到空间转录组数据矩阵中每个细胞信息捕获点S中的细胞组成信息，根据不同的测序平台有不同的分辨率，空间转录组数据矩阵中每个细胞信息捕获点S根据实验给出的条件计算细胞个数，即空间转录组数据矩阵直接得出每个细胞信息捕获点S中的细胞个数；

空间转录组数据矩阵中每个细胞信息捕获点S获得不同细胞类型的比例信息和细胞个数信息，则可将空间转录组数据矩阵扩增到单细胞分辨率的扩增表达矩阵，再将扩增表达矩阵匹配到空间位置信息上，步骤为：

步骤十、估计细胞信息捕获点S中的细胞个数：利用空间转录组数据矩阵测序技术中的分辨率大小来判断每个细胞信息捕获点S中含有的细胞个数，为简便计算和直观观察结果，对所有的细胞信息捕获点S开始统一进行扩增到一样的倍数生成扩增细胞信息捕获点S*；若空间转录组数据矩阵的捕获大小为90μm，而测序的组织中的单细胞直径为10μm，则假设所有的细胞信息捕获点S中含有9个细胞个数；

步骤十一、扩增空间转录组数据矩阵表达矩阵：由反卷积算法得到空间转录组数据矩阵的细胞类型比例预测矩阵Ψ＝{细胞类型×细胞信息捕获点S}，又已知空间转录组数据矩阵包括有基因数据和细胞信息捕获点S，遍历每个细胞信息捕获点S中的细胞类型比例信息，将细胞信息捕获点S中的基因表达信息和细胞类型比例相结合，而由已经得到细胞信息捕获点S中的细胞个数，则按照细胞比例的划分进行合理的分配，得到一个每个细胞信息捕获点S中细胞个数和预期值一样的扩增后空间转录组数据矩阵基因表达矩阵A*＝{基因数据×扩增细胞信息捕获点S*}；

步骤十二、匹配扩增后空间转录组数据矩阵基因表达矩阵的空间位置信息：得到了扩增后空间转录组数据矩阵基因表达矩阵后，对应的扩增细胞信息捕获点S*需要和扩增后空间转录组数据矩阵基因表达矩阵中的基因数据的表达信息进行一一对应，即进一步需要找到扩增后的空间转录组数据矩阵表达矩阵的空间位置信息；

利用扩增后空间转录组数据矩阵基因表达矩阵中基因数据表达信息和最优传输理论寻找单细胞信息点与单细胞信息点之间的位置信息；具体的算法流程为：

取扩增细胞信息捕获点S*中扩增后的基因数据表达信息，和扩增细胞信息捕获点S*中扩增后的空间位置信息；

得到扩增后空间转录组数据矩阵基因表达矩阵后，利用原有的单细胞信息点中的基因表达，通过欧式距离计算，得到扩增单细胞信息点彼此之间的欧氏距离，形成扩增单细胞信息点之间的度量矩阵C1；

扩增后空间位置矩阵计算：计算扩增单细胞信息点的真实空间位置点与扩增单细胞信息点的真实空间位置点之间的欧氏距离，得到扩增单细胞信息点的真实空间位置点与扩增单细胞信息点的真实空间位置点之间的度量矩阵C2；

设置一个初始的扩增单细胞信息点的数量和扩增单细胞信息点的真实空间位置点构成的耦合矩阵T，将耦合矩阵T、度量矩阵C1、度量矩阵C2放入到最优化传输模型中进行训练，最优化传输模型应用于计算机科学领域，通过几何方法进行概率分布的建模和衡量概率分布之间的距离，是连接几何和概率的桥梁；最优化传输模型的迭代次数取1000，迭代找到最优概率耦合矩阵T′；最优概率耦合矩阵T′中是每个扩增单细胞信息点与其他所有扩增单细胞信息点之间可能对应的概率，通过稳定匹配算法，来找到每个扩增单细胞信息点与之最可能对应的点，从而得到扩增单细胞信息点和真实空间位置点一一对应的关系；

对所有的细胞信息捕获点S进行以上操作，来找到每个细胞信息捕获点S中扩增单细胞信息点与扩增单细胞信息点对应的空间位置信息，从而确定扩增后的所有的扩增单细胞信息点位置信息，以提高空间转录组数据矩阵图谱分辨率；

在特定细胞信息捕获点S捕获到细胞数据条形码中的单细胞信息点可能来自一组异质性的细胞类型，并非同一细胞类型，通过评价指标1和评价指标2获得空间转录组数据矩阵中每个细胞信息捕获点S中的细胞类型分布来判断数据筛选标准，并使用均方根误差常用来测量数值之间的差异，比较预测的结果与真实结果之间的偏差；

评价指标1是用生成集矩阵概率分布P、验证集矩阵概率分布Q与对数函数乘积的和，从而来度量两个概率分布P和Q之间的差异，评价指标1计算公式为：

其中对数函数是凸函数，E表示所有的空间转录组数据矩阵中每个细胞信息捕获点S中的所有单细胞信息点，ε表示用于判断的单细胞信息点；P(ε)表示生成集矩阵中要寻找的用于判断的单细胞信息点在所有的空间转录组数据矩阵中每个细胞信息捕获点S中的所有单细胞信息点的概率分布，Q(ε)表示验证集矩阵中要寻找的用于判断的单细胞信息点在所有的空间转录组数据矩阵中每个细胞信息捕获点S中的所有单细胞信息点的概率分布；评价指标2其范围为[0，1]，将P(ε)，Q(ε)替换评价指标1中的P，将替换评价指标中的Q；两个概率分布P和Q若相同，则得到的评价指标2的值为0，分布越不相似则越接近于1，评价指标2计算公式为：