换一批scTransformer:一种基于深度学习的单细胞类型识别方法
scTransformer:A deep learning based method for single cell type annotation
摘要细胞类型注释是单细胞RNA测序(scRNA-Seq)分析的基本任务.为了解决处理稀疏数据时出现的性能下降以及计算复杂度较高的问题,本文提出了一种基于深度学习模型Transformer的scRNA-seq数据的细胞类型识别和注释工具,scTrans-former.模型包含四个模块,即基因嵌入、位置编码、变换编码器和分类层;基因嵌入过程将K个高变异基因(HVG)(K=2 000)处理为N个子向量;以未分配率、F1 分数、准确度、kappa分数、AUR指标作为评判标准,系统评估模型和其他 9 种工具的性能.结果表明:在数据集内,scTransformer的准确度达到 96.59%,高于其他工具,未分配率达到了 0.18%;可能因为样本的不均衡,其平均F1 分数为 93.46%,低于CHETAH,Clustifyr和SciBet;在跨平台相同组织间测试和完全不同组织间测试中(胰腺、血液),scTransformer的准确率、F1 分数和kappa系数均是最好的(＞0.99);在小鼠大脑、胰腺、肺组织中,scTransformer的AUR和未分配率仅次于Seurat工具和Clustifyr工具.scTransformer源代码和数据位于https://github.com/nanjingyuanbao/scTransform-er.综上,本文提出并系统评估了一种新的基于Transformer的细胞类型注释工具.
更多相关知识
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
