本發(fā)明屬于生物信息學(xué)，尤其涉及一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、隨著生物信息學(xué)和基因組學(xué)技術(shù)的迅猛發(fā)展，多組學(xué)數(shù)據(jù)分析成為了研究復(fù)雜生物系統(tǒng)中基因表達(dá)、蛋白質(zhì)相互作用及代謝途徑等方面的重要手段。傳統(tǒng)的多組學(xué)分析方法通常依賴于將不同類型的生物學(xué)數(shù)據(jù)分開(kāi)處理和分析，這種方法雖然在一定程度上推動(dòng)了生物醫(yī)學(xué)研究的進(jìn)展，但在處理空間多組學(xué)數(shù)據(jù)時(shí)顯示出一定的局限性，特別是在空間分辨率和數(shù)據(jù)整合方面。

3、空間多組學(xué)技術(shù)是近年來(lái)生物信息學(xué)領(lǐng)域的重要突破，它能夠在單細(xì)胞水平上提供空間位置信息，從而使研究人員能夠在細(xì)胞甚至亞細(xì)胞水平上探究基因表達(dá)、蛋白質(zhì)分布及其功能。然而，生物組織是一個(gè)復(fù)雜的系統(tǒng)，利用傳統(tǒng)的空間組學(xué)分析技術(shù)往往缺乏效率和準(zhǔn)確性，尤其是在識(shí)別和整合來(lái)自不同空間區(qū)域的異質(zhì)數(shù)據(jù)時(shí)面臨巨大挑戰(zhàn)。

4、異質(zhì)圖技術(shù)（heterogeneous?graph），作為一種有效處理異質(zhì)數(shù)據(jù)的方法，為整合和分析來(lái)自不同數(shù)據(jù)源的信息提供了可能。但其在空間多組學(xué)數(shù)據(jù)的應(yīng)用尚處于初級(jí)階段，急需開(kāi)發(fā)一種能夠有效利用異質(zhì)圖技術(shù)來(lái)解決空間域識(shí)別問(wèn)題的新方法。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，能夠有效整合和分析空間多組學(xué)數(shù)據(jù)，在多個(gè)視角探究空間組學(xué)數(shù)據(jù)，提高空間域識(shí)別的準(zhǔn)確性和效率，為深入理解細(xì)胞間的空間功能關(guān)系提供了新的工具和視角。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的一個(gè)或多個(gè)實(shí)施例提供了如下技術(shù)方案：

3、第一方面，公開(kāi)了一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，包括：

4、獲取空間組學(xué)數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，獲得基因表達(dá)數(shù)據(jù)；

5、利用細(xì)胞的空間位置信息將預(yù)處理后的空間組學(xué)數(shù)據(jù)的組織圖像按照細(xì)胞個(gè)數(shù)劃分為多個(gè)子圖像，從多個(gè)子圖像中提取特征表示；

6、基于提取的特征表示構(gòu)建不同視角下的鄰接矩陣；

7、對(duì)每一個(gè)視角構(gòu)建一組圖編碼器，每一組圖編碼器包含兩層gcn，分別對(duì)不同視角下構(gòu)建的鄰接矩陣和基因表達(dá)數(shù)據(jù)進(jìn)行處理，得到圖編碼特征，gcn為圖卷積神經(jīng)網(wǎng)絡(luò)；

8、基于注意力機(jī)制構(gòu)建異質(zhì)圖：利用注意力機(jī)制計(jì)算圖編碼特征中每一個(gè)視角的潛在特征，將多個(gè)視角下的潛在特征相加，即為所有視角的聯(lián)合潛在特征；

9、基于所有視角的聯(lián)合潛在特征計(jì)算聯(lián)合概率密度和經(jīng)驗(yàn)概率密度，基于聯(lián)合概率密度和經(jīng)驗(yàn)概率密度，定義自監(jiān)督的目標(biāo)函數(shù)，構(gòu)建訓(xùn)練模型；

10、將待識(shí)別的空間組學(xué)數(shù)據(jù)輸入至訓(xùn)練后的模型獲得多組學(xué)空間域信息。

11、作為進(jìn)一步的技術(shù)方案，對(duì)獲取的空間組學(xué)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括：刪除空間組學(xué)數(shù)據(jù)中表達(dá)量小于三個(gè)細(xì)胞的基因和線粒體基因；

12、然后對(duì)空間組學(xué)數(shù)據(jù)正則化并取對(duì)數(shù)，最后篩選所需數(shù)據(jù)量的高表達(dá)基因，即得到基因表達(dá)數(shù)據(jù)。

13、作為進(jìn)一步的技術(shù)方案，對(duì)于多個(gè)子圖像，每一個(gè)細(xì)胞對(duì)應(yīng)一個(gè)子圖像。

14、作為進(jìn)一步的技術(shù)方案，從多個(gè)子圖像中提取特征表示，具體為：采用特征提取器，將高維的圖像數(shù)據(jù)轉(zhuǎn)換為低維的特征表示。

15、作為進(jìn)一步的技術(shù)方案，每一組圖編碼器包含兩層gcn，其中，每一層?gcn?提取的特征綜合了鄰近節(jié)點(diǎn)的信息。

16、作為進(jìn)一步的技術(shù)方案，圖編碼特征的具體表達(dá)為：

17、

18、表示第層的圖編碼特征，是一個(gè)矩陣，其大小與輸入特征矩陣相同；是輸入的鄰接矩陣經(jīng)過(guò)預(yù)處理后的鄰接矩陣；是的度矩陣，是一個(gè)對(duì)角矩陣，其對(duì)角線上的元素是每個(gè)節(jié)點(diǎn)的度；表示第層的圖編碼特征，是上一層的輸出；表示第層到第層的權(quán)重矩陣，是一個(gè)可學(xué)習(xí)的參數(shù)矩陣；表示激活函數(shù)。

19、第二方面，公開(kāi)了一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別系統(tǒng)，包括：

20、基因表達(dá)數(shù)據(jù)獲取模塊，被配置為：獲取空間組學(xué)數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，獲得基因表達(dá)數(shù)據(jù)；

21、特征表示提取模塊，被配置為：利用細(xì)胞的空間位置信息將預(yù)處理后的空間組學(xué)數(shù)據(jù)的組織圖像按照細(xì)胞個(gè)數(shù)劃分為多個(gè)子圖像，從多個(gè)子圖像中提取特征表示；

22、鄰接矩陣構(gòu)建模塊，被配置為：基于提取的特征表示構(gòu)建不同視角下的鄰接矩陣；

23、圖編碼特征獲取模塊，被配置為：對(duì)每一個(gè)視角構(gòu)建一組圖編碼器，每一組圖編碼器包含兩層gcn，分別對(duì)不同視角下構(gòu)建的鄰接矩陣和基因表達(dá)數(shù)據(jù)進(jìn)行處理，得到圖編碼特征，gcn為圖卷積神經(jīng)網(wǎng)絡(luò)；

24、聯(lián)合潛在特征獲取模塊，被配置為：基于注意力機(jī)制構(gòu)建異質(zhì)圖：利用注意力機(jī)制計(jì)算圖編碼特征中每一個(gè)視角的潛在特征，將多個(gè)視角下的潛在特征相加，即為所有視角的聯(lián)合潛在特征；

25、模型訓(xùn)練模塊，被配置為：基于所有視角的聯(lián)合潛在特征計(jì)算聯(lián)合概率密度和經(jīng)驗(yàn)概率密度，基于聯(lián)合概率密度和經(jīng)驗(yàn)概率密度，定義自監(jiān)督的目標(biāo)函數(shù)，構(gòu)建訓(xùn)練模型；

26、識(shí)別模塊，被配置為：將待識(shí)別的空間組學(xué)數(shù)據(jù)輸入至訓(xùn)練后的模型獲得多組學(xué)空間域信息。

27、以上一個(gè)或多個(gè)技術(shù)方案存在以下有益效果：

28、本發(fā)明技術(shù)方案基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，該方法能夠有效整合和分析空間多組學(xué)數(shù)據(jù)，在多個(gè)視角探究空間組學(xué)數(shù)據(jù)，提高空間域識(shí)別的準(zhǔn)確性和效率，為深入理解細(xì)胞間的空間功能關(guān)系提供了新的工具和視角。

29、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

技術(shù)特征：

1.一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，其特征是，包括：

2.如權(quán)利要求1所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，其特征是，對(duì)獲取的空間組學(xué)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括：刪除空間組學(xué)數(shù)據(jù)中表達(dá)量小于三個(gè)細(xì)胞的基因和線粒體基因；

3.如權(quán)利要求1所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，其特征是，對(duì)于多個(gè)子圖像，每一個(gè)細(xì)胞對(duì)應(yīng)一個(gè)子圖像。

4.如權(quán)利要求1所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，其特征是，從多個(gè)子圖像中提取特征表示，具體為：采用特征提取器，將高維的圖像數(shù)據(jù)轉(zhuǎn)換為低維的特征表示。

5.如權(quán)利要求1所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，其特征是，每一組圖編碼器包含兩層gcn，其中，每一層?gcn?提取的特征綜合了鄰近節(jié)點(diǎn)的信息。

6.如權(quán)利要求1所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法，其特征是，圖編碼特征的具體表達(dá)為：

7.一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別系統(tǒng)，其特征是，包括：

8.如權(quán)利要求7所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別系統(tǒng)，其特征是，對(duì)獲取的空間組學(xué)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括：刪除空間組學(xué)數(shù)據(jù)中表達(dá)量小于三個(gè)細(xì)胞的基因和線粒體基因；

9.如權(quán)利要求7所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別系統(tǒng)，其特征是，對(duì)于多個(gè)子圖像，每一個(gè)細(xì)胞對(duì)應(yīng)一個(gè)子圖像。

10.如權(quán)利要求7所述的一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別系統(tǒng)，其特征是，從多個(gè)子圖像中提取特征表示，具體為：采用特征提取器，將高維的圖像數(shù)據(jù)轉(zhuǎn)換為低維的特征表示。

技術(shù)總結(jié)
本發(fā)明提出了一種基于異質(zhì)圖的空間多組學(xué)技術(shù)空間域識(shí)別方法及系統(tǒng)，屬于生物信息學(xué)技術(shù)領(lǐng)域。方法包括：獲取空間組學(xué)數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，得到基因表達(dá)數(shù)據(jù)；利用細(xì)胞的空間位置信息將預(yù)處理后的空間組學(xué)數(shù)據(jù)的組織圖像按照細(xì)胞個(gè)數(shù)劃分為多個(gè)子圖像；基于提取的特征表示構(gòu)建不同視角下的鄰接矩陣；對(duì)每一個(gè)視角構(gòu)建一組圖編碼器，得到圖編碼特征；基于注意力機(jī)制構(gòu)建異質(zhì)圖；構(gòu)建訓(xùn)練模型；將待識(shí)別的空間組學(xué)數(shù)據(jù)輸入至訓(xùn)練后的模型獲得多組學(xué)空間域信息。該方法能夠有效整合和分析空間多組學(xué)數(shù)據(jù)，在多個(gè)視角探究空間組學(xué)數(shù)據(jù)，提高空間域識(shí)別的準(zhǔn)確性和效率，為深入理解細(xì)胞間的空間功能關(guān)系提供了新的工具和視角。

技術(shù)研發(fā)人員：張威,高瑞,于娜,張道良,李浩楊,江正帥,隋新儀
受保護(hù)的技術(shù)使用者：山東大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21