單細胞RNA測序在發(fā)現(xiàn)細胞類型、識別細胞狀態(tài)、追蹤發(fā)育譜系、重建細胞空間組織等方面有著巨大的潛力。隨著單細胞測序技術的發(fā)展,測序的結果越來越細致,單次可測量的細胞越來越多,這些單細胞中蘊含了豐富的信息,在分析和處理這些數據的過程中,有效降維就顯得更為重要。本文研究了當前流行的單細胞數據降維算法t-SNE,并把線性降維算法PCA和兩種經典的基于流形學習的降維算法LLE和MDS應用到單細胞數據降維處理的過程中。并通過對四種算法的分析研究,提出一種結合降維方法。先用PCA對原始數據進行降維,然后再分別用LLE,MDS和t-SNE進行二次降維。本文首先從GEO數據庫中選取數據,然后對數據進行篩選和預處理,接下來使用Linnorm歸一化方法,統(tǒng)一數據標準,然后對數據集進行降維聚類處理,并計算ARI值。最后通過算法運行時長和ARI值,比較四種算法的優(yōu)劣并進行分析。本文選取了GEO數據庫中的一個公開數據集作為實證分析的處理數據集,此數據集包含六個樣本。本文首先使用四種降維算法對這六個樣本進行降維,通過算法運行時長和ARI值比較這四種降維算法的優(yōu)劣。然后針對這幾種算法存在的問題,通過算法結合的方式,對降...

【文章頁數】：48 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來源
    1.2 課題研究背景
    1.3 國內外研究現(xiàn)狀及分析
    1.4 主要研究內容
第2章 降維算法簡介
    2.1 流形學習
    2.2 主成分分析
    2.3 t分布隨機鄰居嵌入
    2.4 多維縮放
    2.5 局部線性嵌入
    2.6 本章小結
第3章 數據處理流程
    3.1 數據歸一化
    3.2 數據降維
    3.3 聚類
    3.4 可視化分析及算法比較
    3.5 本章小結
第4章 實證分析
    4.1 數據集來源
    4.2 四種降維算法性能比較
    4.3 結合降維
        4.3.1 PCA和 LLE的結合降維
        4.3.2 PCA和 MDS的結合降維
        4.3.3 PCA和 t-SNE的結合降維
        4.3.4 總結
    4.4 結合后的降維算法性能比較
    4.5 本章小結
結論
參考文獻
致謝



本文編號：4013059