[发明专利]单细胞RNA序列数据集的降维处理方法

说明书

本发明公开了一种单细胞RNA序列数据集的降维处理方法，包括：搜索每个细胞的k个最邻近对象KNN，并通过KNN统计RNN；按照RNN的降序对细胞进行遍历，若该点被抽取，则剔除该细胞的KNN，直至所有细胞被遍历，输出采样得到的锚点细胞；构建所有锚点细胞的KNN图网络，计算所有锚点细胞两两之间的最短路径，并计算它们的高维概率分布；将所有锚点细胞降维至低维空间并不断其低维坐标，直到满足迭代条件终止迭代；对于每个未被采样的非锚点细胞，根据d+1个锚点细胞更新前与更新后的低维坐标之间的映射关系计算该非锚点细胞的低维空间坐标；将所有锚点细胞与非锚点细胞的低维坐标整合，输出其低维坐标。本发明大幅度提升了降维效率并降低了计算的复杂程度。

技术领域

本发明属于数据处理的技术领域，具体涉及一种单细胞RNA序列数据集的降维处理方法。

背景技术

降维是生物信息领域用于数据特征简化和可视化的机器学习方法。单细胞RNA序列(scRNA-seq)数据分析常面临数据清洗、特征工程和细胞整合等任务。scRNA-seq数据集中往往存在大量冗余或线性相关的基因，不仅影响基因显著性的判断和细胞类型的识别，也极大地增加存储和计算成本。降维旨在将高维scRNA-seq数据映射到低维空间，剔除冗余或相关性强的基因，筛选高变异基因，从而实现scRNA-seq数据的精简，以此降低后续计算的时间和空间复杂度。此外，降维能够降低无效、错误数据对后续处理分析的影响，提高模型的准确性与鲁棒性。同时，降维(降至2或3维空间)也是高维scRNA-seq数据可视化分析的重要技术手段。

现有的降维方法大致可分为线性与非线性方法。经典的线性方法应用最为广泛，如PCA和LDA(Linear Discriminant Analysis)等，但这类方法对于非线性的数据分布，如岛状分布，难以将不同细胞类型在低维空间进行分离，因而影响后续的细胞分类或聚类精度。非线性方法包含MDS(Multi-Dimensional Scaling)、IsoMap(Isometric FeatureMapping)、t-SNE(t-Distributed Stochastic Neighbor Embedding)、Picasso和UMAP(Uniform Manifold Approximation and Projection)等。MDS的目标在于最小化数据在高低维空间的距离差异，但面对流形分布的数据，传统的欧氏距离无法很好地刻画数据的非线性分布，导致低维空间容易出现拥挤现象。IsoMap选择用路径距离优化传统的欧氏距离，但依然无法有效保证不同细胞类型在低维空间的分离性。t-SNE采用t-student分布函数使得高维空间距离近的对象在低维空间更近，远的对象更远，能够更好地实现不同细胞类型的分离，但其高昂的时间复杂度使其难以胜任大规模scRNA-seq数据集的降维任务。Picasso利用自编码器可以让数据嵌入到任意形状的分布，但其时间效率十分低。UMAP通过改进t-SNE的目标函数，加快了梯度收敛的速度，但容易忽略数据分布的全局特征。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种单细胞RNA序列数据集降维处理方法，该方法解决了传统降维方法用于处理scRNA-seq数据集的降维任务时存在计算复杂度高的问题，大幅度提升了scRNA-seq数据集的降维效率，也能够更好地让邻近细胞在低维空间聚集，以便于不同细胞类型彼此分离。

为解决上述技术问题，本发明采用如下技术方案：

一种单细胞RNA序列数据集的降维处理方法，包括如下步骤：

S1、获取单细胞RNA序列数据集，对数据集进行预处理获得待降维处理的所有细胞，搜索所有细胞的k个最邻近对象KNN，并通过KNN统计每个细胞被当做最邻近对象的次数RNN；

S2、按照RNN的大小对所有细胞进行降序排列，并依次对所有细胞进行遍历，若该点被抽取，则剔除该细胞的所有KNN细胞，直至所有细胞被遍历，输出采样得到的锚点细胞；