基于单细胞基因表达数据的聚类算法研究

• 作 者: 赵梅
• 出 处: 西安电子科技大学
• 发表日期: 2021年05期
• 关键词: 单细胞 特征提取 核函数 集成算法

单细胞基因序列的研究是生物信息领域的新方向,单细胞的研究使得细胞信息的研究由细胞组群的水平上升到了单个细胞信息研究的水平,有助于研究细胞之间的异质性,挖掘单个细胞独有的表达特性,对于生物信息的发展具有重要的意义。癌症是人类疾病重点关注的领域,癌症单细胞水平上的研究是深入了解癌症细胞特性的重要途经。本文研究针对于多种癌症单细胞基因表达数据集的聚类分析算法,在五种癌症的六个单细胞基因表达数据集上,优化数据处理过程,将癌症细胞以高于其他聚类算法的准确率聚类,且算法对于单细胞数据具有一定的稳定性。针对于单细胞基因表达数据的预处理,本文基于源单细胞基因表达数据,首先,定义了弱影响基因,即基因的表达值全为零、基因的非零表达值在所有的细胞里占比小于5%、基因非零表达值方差小于5,过滤弱影响基因,以此在下游分析中更有效的提取数据信息;然后,将剩余的基因表达值进行log2(y+1)转化,以此来对单细胞基因表达数据进行预处理,增加下游分析的准确性。针对于单细胞基因表达数据的特征提取,本文设计了基于窗口分割的特征提取算法。对于每一个单细胞基因表达数据集的预处理结果,首先,设计固定大小窗口,并按照固定步长移动,将整个数据集分割为多个单细胞基因表达数据子集;然后,在每个数据子集上运用M3Drop Feature Selection算法进行特征提取分析;最后,将所有数据子集的特征提取结果合并、去重,即为该单细胞基因表达数据集基于窗口分割算法的特征提取结果。针对单细胞基因表达数据的聚类分析,本文设计了基于集成算法的聚类分析算法。对于每一个单细胞基因表达数据集的特征提取结果,首先,运用主成分分析法和局部线性嵌入法,分别提取基因表达数据特征提取结果的线性信息和非线性信息,进行数据降维,保留累计贡献率达到85%的贡献较大主成分,和与主成分分析法相同降维后维度的局部线性嵌入法结果,作为两个不同的降维结果;接着,基于两个不同的降维结果,分别运用高斯核函数谱聚类、多项式核函数谱聚类、双曲正切核函数谱聚类对降维降维进行聚类分析,得到六个不同的聚类结果;然后,基于六种不同的聚类结果,运用集成算法,得到六个结果的共识矩阵,运用K-means算法进行聚类分析,得到单细胞基因表达数据最终聚类结果;最后,对比源数据对单细胞的标注,计算同一类细胞被正确分类的准确率,并与其它五种聚类算法结果准确率比较。实验表明,本文的聚类算法准确率高于其它聚类算法的准确率。针对于整个算法框架的稳定性,本文随机排列每个数据集预处理结果的基因顺序,得到不同的特征提取结果,进而计算数据分析结果准确率。实验表明,聚类结果的准确率大多情况下在3%以内变化,整个算法对于单细胞基因表达数据具有一定的稳定性。