Fw: 实验室与生物信息中心学术报告,04月08日(周日) 9:30—10:30,S705

9 views
Skip to first unread message

z...@amss.ac.cn

unread,
Apr 3, 2018, 4:43:28 AM4/3/18
to zhangroup-seminar
  FYI.

         中国科学院

    随机复杂结构与数据科学重点实验室

      与数学院生物信息学中心

         学术报告

  :  单细胞转录组学数据的计算分析

:  古槿

      清华大学自动化系

  间: 20180408日(周日) 9301030

  点: 思源楼705

  要: 细胞是生命体的基本活动单元,近年来单细胞RNA测序技术(scRNA-seq)逐渐发展成熟,使得在单细胞层次研究转录调控的规律成为可能。利用scRNA-seq数据,人们希望可以发现新的细胞亚群、构建细胞动态演进过程。在低维空间里实现对scRNA-seq的有效表示是实现上述目标的关键。相比于传统的bulk RNA-seqscRNA-seq的“噪声”更大:单个细胞的RNA总量低,且存在大量的随机效应(比如转录爆发效应),使得细胞内的转录体的捕获率低、噪声大,这使得scRNA-seq的低维表示更为困难。

为了更好的实现单细胞转录组数据的低维特征表示与可视化,我们提出了基于深度变分自编码器的scRNA-seq数据分析方法VASC,该方法可对scRNA-seq数据的特征进行多层次自动表示,我们在20多个数据集上对VASCSIMLRZIFAt-SNE等方法进行了系统测试,VASC表现出优异的性能,广泛适用于多种生物学应用场景,并有助于发现基因表达的结构化特征。

除了低维表示之外,细胞亚群鉴定、“伪”时间排序、差异表达基因鉴定、批次效应校正与数据归一化等计算问题也受到了广泛关注。

参考文献:

[1] Dongfang Wang, Jin Gu#. VASC: dimension reduction and visualization of single cell RNA sequencing data by deep variational autoencoder. BioAxiv 2017. https://www.biorxiv.org/content/early/2017/10/06/199315

[2] Xiangyu Li, Weizheng Chen, Yang Chen, Xuegong Zhang, Jin Gu#, Michael Q Zhang#. Network embedding based representation learning for single cell RNA-seq data. Nucleic Acids Research 2017, 45(19):e166.

人简: 古槿,工学博士,男,现为清华大学自动化系特别研究员。20009月至20047月,在清华大学自动化系学习,获学士学位。20049月至20097月,在清华大学自动化系信息处理研究所学习,专业方向为模式识别与智能系统、生物信息学,获博士学位,毕业后直接留校任教。申请人主要从事生物信息学与机器学习方向的研究,在癌症标志物发现与分子分型、癌症核心调控网络推断等方面具有丰富的研究经验。在Nucleic Acids ResearchBioinformaticsGastroenterologyNature Communications等杂志上发表学术论文20余篇。

邀请人: 张世华

Reply all
Reply to author
Forward
0 new messages