本书立足作者团队十余年实验研究积累，整合8项国家级和省部级课题研究成果，系统开展单细胞转录组数据分析研究。本书按照“基础原理—数据质量控制—数据降维—单细胞类型识别—多组学融合的单细胞类型识别”的逻辑脉络分为五个部分，形成层次递进、逻辑闭环的内容框架。第一部分为基础理论篇，系统梳理单细胞转录组测序技术的发展脉络，同时厘清数据降维核心方法的技术原理与性能评价指标体系。基于基础理论的铺垫，第二部分聚焦单细胞转录组测序数据质量控制，重点阐述缺失值填充技术的核心机制与数据批次效应校正的实现方法。第三部分承接质量控制后的高质量数据，从多种途径深入探讨基因表达数据降维方法的技术细节。第四部分以降维后的数据为基础，系统阐述基于相似性图构建的各类细胞类型识别方法及其技术特性。第五部分则进一步拓展研究维度，阐述多组学信息融合背景下的单细胞类型识别策略与实现路径。

更多科学出版社服务，请扫码获取。

任中国计算机学会生物信息专委会委员，中国计算机学会高级会员，中国人工智能学会生物信息学与人工生命专委会委员等

目录
前言
第一部分 基础理论篇
第1章 绪论 3
1.1 单细胞转录组测序技术 3
1.2 单细胞转录组测序数据降维方法 6
1.3 单细胞转录组测序数据相似性计算方法 8
1.4 细胞类型识别方法 10
1.5 细胞类型识别的性能评价指标 15
1.6 本章小结 16
第二部分 单细胞转录组测序数据质量控制
第2章 单细胞转录组测序数据预处理 19
2.1 过滤 19
2.2 归一化 20
2.3 缺失值填充 20
2.4 批次效应校正 22
2.5 本章小结 23
第3章 基于混合生成对抗网络的缺失值识别和填充 24
3.1 问题描述 24
3.1.1 缺失值问题 24
3.1.2 缺失值问题对单细胞转录组分析的影响 25
3.2 AGImpute方法 25
3.2.1 Leiden预聚类 26
3.2.2 基于动态阈值估计机制的缺失值自适应估计 26
3.2.3 深度学习模块 30
3.3 实验结果与分析 31
3.3.1 数据集 32
3.3.2 特征基因选择参数分析实验 32
3.3.3 基因表达水平对比实验 32
3.3.4 聚类分析实验 39
3.3.5 差异表达分析实验 42
3.3.6 轨迹推断分析实验 46
3.4 本章小结 47
第4章 基于博弈论的单细胞转录组测序数据批次效应校正 49
4.1 问题描述 49
4.1.1 缺失值与批次效应问题 49
4.1.2 批次效应问题对scRNA？seq分析的影响 50
4.2 相同类型scRNA？seq数据基因表达水平一致性假设 51
4.3 scDIIG方法 54
4.3.1 博弈论 54
4.3.2 动态非完全信息博弈论 55
4.3.3 scRNA？seq数据博弈对象分析 55
4.3.4 scDIIG方法流程 57
4.4 实验结果与分析 58
4.4.1 基因表达对比实验 58
4.4.2 聚类分析实验 62
4.4.3 差异表达分析实验 63
4.4.4 轨迹推断分析实验 65
4.5 本章小结 66
第5章 结合稀疏表示和基因引导聚类用于单细胞转录组测序数据中的批次效应校正 68
5.1 问题描述 68
5.2 scSAGE方法 68
5.2.1 预处理 68
5.2.2 稀疏约束自编码器 69
5.2.3 基因指导的子类合并 70
5.2.4 三元组约束批次效应校正模型 71
5.3 实验结果与分析 71
5.3.1 数据集 72
5.3.2 多指标性能评估 72
5.3.3 scSAGE去除批次效应并保留细胞类型结构 73
5.3.4 稀有细胞类型识别能力 73
5.4 本章小结 75
第三部分 单细胞转录组测序数据降维
第6章 单细胞转录组测序数据基因选择方法对比 79
6.1 问题描述 79
6.2 基因选择方法 80
6.2.1 基于高度可变基因的方法 80
6.2.2 基于高均值基因的方法 80
6.2.3 基于缺失值的方法 80
6.2.4 基于交互的表达方法 81
6.3 实验结果与分析 82
6.3.1 数据集 82
6.3.2 筛选标记基因对比分析 83
6.3.3 基因选择方法间重叠标记基因 85
6.3.4 聚类性能对比分析 86
6.3.5 运行时间对比分析 88
6.3.6 鲁棒性对比分析 89
6.4 本章小结 90
第7章 基于高表达高差异的基因选择方法 91
7.1 问题描述 91
7.2 HMV方法 91
7.3 实验结果与分析 92
7.3.1 基因集分布的可视化分析 93
7.3.2 不同基因选择阈值t对聚类性能影响分析 94
7.3.3 聚类结果性能分析 95
7.3.4 大数据集聚类性能分析 96
7.4 本章小结 97
第8章 基于去噪自编码器的单细胞转录组测序数据降维方法 99
8.1 问题描述 99
8.2 scDA方法 99
8.2.1 异常值平滑 100
8.2.2 分箱熵 100
8.2.3 去噪自编码 101
8.3 实验结果与分析 103
8.3.1 数据集 103
8.3.2 聚类性能对比分析 104
8.3.3 运行时间对比分析 105
8.4 本章小结 106
第9章 结合熵和去噪自编码器的scRNA？seq数据降维方法 107
9.1 问题描述 107
9.2 ScEDA方法 108
9.2.1 数据预处理 109
9.2.2 基于分箱熵估计的高变异性基因筛选 109
9.2.3 去噪自编码器 109
9.3 实验结果与分析 110
9.3.1 数据集 111
9.3.2 评价指标 112
9.3.3 不同降维方法的聚类性能比较 112
9.3.4 比较不同降维方法的运行时间 114
9.4 本章小结 114
第10章 基于自适应聚合机制图卷积网络的单细胞转录组测序数据降维方法 116
10.1 问题描述 116
10.2 scAGCN方法 116
10.2.1 数据预处理 116
10.2.2 近似近邻图 117
10.2.3 自适应聚合机制 118
10.3 实验结果与分析 119
10.3.1 数据集 119
10.3.2 可视化对比分析 120
10.3.3 聚类性能对比分析 120
10.3.4 运行时间对比分析 123
10.3.5 自适应聚合机制影响分析 123
10.4 本章小结 124
第四部分 单细胞类型识别
第11章 单细胞转录组测序数据的聚类方法比较 127
11.1 问题描述 127
11.2 方法比较 128
11.2.1 质量控制 128
11.2.2 基因选择 129
11.2.3 聚类方法 130
11.3 实验结果与分析 132
11.3.1 数据集 133
11.3.2 不同基因选择方法检测基因的对比分析 134
11.3.3 不同基因选择方法对单细胞聚类性能的影响 135
11.4 本章小结 138
第12章 基于图分割的单细胞聚类集成方法 140
12.1 问题描述 140
12.2 Sc？GPE方法 140
12.3 实验结果与分析 142
12.3.1 数据集 142
12.3.2 聚类结果相似性分析 143
12.3.3 聚类性能对比分析 143
12.4 本章小结 146
第13章 单细胞转录组测序数据聚类的图相似性增强算法 148
13.1 问题描述 148
13.2 数据集与GSE方法 149
13.2.1 数据集 149
13.2.2 GSE方法 150
13.3 实验结果与分析 152
13.3.1 实验结果 152
13.3.2 结果分析 155
13.4 本章小结 156
第14章 基于高相似性图和结构熵的细胞类型识别方法 157
14.1 问题描述 157
14.2 相关模型 157
14.3 SSE方法 158
14.4 实验结果与分析 161
14.4.1 数据集 161
14.4.2 不同相似性阈值t对聚类性能影响分析 161
14.4.3 聚类结果性能分析 162
14.4.4 聚类结果差异性分析 164
14.4.5 聚类结果可视化 165
14.5 本章小结 176
第15章 基于共享近邻图和Louvain社区检测的细胞类型识别方法 177
15.1 问题描述 177
15.2 相关模型 178
15.3 SSNN？Louvain方法 179
15.4 实验结果与分析 181
15.4.1 数据集 181
15.4.2 节点排序对Louvain社区检测性能影响分析 181
15.4.3 不同近邻数k对聚类性能影响分析 182
15.4.4 不同相似性方法对聚类性能影响分析 186
15.4.5 聚类结果性能分析 187
15.4.6 聚类结果差异性分析 189
15.4.7 聚类结果可视化 190
15.4.8 大数据集聚类性能分析 193
15.5 本章小结 193
第16章 基于路径全局相似性图的细胞类型识别方法 195
16.1 问题描述 195
16.2 相关模型 196
16.3 MPGS？Louvain方法 197
16.4 NES？Louvain方法 199
16.5 实验结果与分析 200
16.5.1 数据集 200
16.5.2 MPGS？Louvain方法性能分析 200
16.5.3 NES？Louvain方法性能分析 212
16.6 本章小结 218
第五部分 融合多组学数据的单细胞类型识别
第17章 基于分布的基因相关性度量 223
17.1 问题描述 223
17.2 顶点划分策略 223
17.3 基于分布的基因相关性度量 224
17.3.1 度量顶点分布聚焦 225
17.3.2 度量顶点分布趋势 226
17.4 实验结果与分析 227
17.4.1 数据集 227
17.4.2 基因间相关性分析 228
17.4.3 联合类别信息热图分析 230
17.4.4 基因模块间维恩图分析 233
17.4.5 基于基因模块的枢纽基因KEGG分析 233
17.5 本章小结 235
第18章 基于半监督深度学习的空间域划分方法 236
18.1 问题描述 236
18.2 基于自编码器潜空间学习的预聚类 236
18.2.1 潜在空间学习和预聚类 236
18.2.2 预设标签策略 237
18.3 基于半监督学习的网络模型 239
18.3.1 半监督学习 239
18.3.2 STsemiDEC模型 240
18.4 实验结果与分析 243
18.4.1 空间域划分 243
18.4.2 联合类别簇信息进行UMAP图分析 245
18.4.3 联合类别簇信息进行t？SNE图分析 247
18.5 本章小结 248
第19章 基于掩码PCA的单细胞多组学数据降维算法 250
19.1 问题描述 250
19.2 相关模型 251
19.2.1 掩码策略 251
19.2.2 预处理 252
19.3 构建掩码矩阵 255
19.3.1 特征选择 255
19.3.2 掩码添加 255
19.4 降维 256
19.4.1 计算协方差矩阵 256
19.4.2 特征值分解 257
19.5 实验结果与分析 257
19.5.1 消融实验对比分析 257
19.5.2 降维性能对比分析 258
19.6 本章小结 259
第20章 基于自编码器与文本卷积网络的单细胞转录组测序数据和scATAC？seq数据集成 260
20.1 问题描述 260
20.2 scEDI方法 260
20.2.1 DPCNN 262
20.2.2 SMOTE层 262
20.2.3 注意力机制 262
20.3 实验结果与分析 262
20.3.1 数据集 262
20.3.2 标签转移可视化对比分析 263
20.3.3 标签转移准确度对比分析 264
20.3.4 鲁棒性对比分析 265
20.3.5 对抗训练有效性分析 265
20.4 本章小结 266
参考文献 267