xFuse 的理解和执行
推荐帖子： 【生物信息学】【生物信息学分析目录】(https://jb243.github.io/pages/836)
1. 概述
2. 步骤 1. 前向方案
3. 步骤2. 推断
4. 第 3 步. 预测
5. 程序执行
1.概述
⑴ 目的： 将低分辨率ST库转换为高分辨率ST库
① 根据 Visium 协议，斑点总数最多限制为 4992 ： 可被视为分辨率明显较低
⑵ 背景理论
①【离散概率论】(https://jb243.github.io/pages/1626)
②【连续概率论】(https://jb243.github.io/pages/1627)
③ CNN（卷积神经网络）
⑶ 假设
① I : 假设服从高斯分布
② X : 假设服从负二项分布
2 。步骤 1. 转发方案
⑴ 变量1. 输入图像数据
① n : 代表每个点的变量
② :中各切片n的组织学图像数据
③ (x,y) : 像素坐标
④ c : 图像通道
⑵ 变量2. 输入ST数据
① n : 代表每个点的变量
② Xn : 每个剖面n的空间表达数据
③ 米 : 元基因
⑶ 变量 3. 输出
① sn : 像素级缩放因子
② : 元基因活性
③ μn : 图像分布平均值
④ σn : 标准差
⑤ X : 对观察到的表达 X̃ 的超分辨表达
⑷ 变量 4. 型号
① G : 卷积生成网络，设计类似U-net
② Z : 潜伏组织状态
③ θ : 可学习参数
④ rngxy : 每个 n、g、x 和 y 停止前的失败次数
⑤ png : 每个n和g的成功概率
⑥ L : 权重矩阵
⑦ tg, ug : 基因特异性基线
⑧ E、F ： 固定效果以控制条件批量效果
⑨ βn : 连接指示变量的行向量
⑸ 配方
① 方程 9 连接超分辨表达式 X 和观察到的表达式 X̃
3 。步骤 2. **推论
⑴定义：用观测表达式X̃和图像I确定Zn、L、E、F的过程
⑵ 变量定义
① φ : 变分参数
② R ： 卷积识别网络，设计类似U-net
③ hφ : 适当的平移和尺度变换
⑶ 配方
① φ 是通过最小化后验的 Kullback-Leibler 散度从变分分布 qφ 获得的
② L : 目标函数
○ 通过蒙特卡罗抽样计算
○ 这个L也称为ELBO（证据下界）
③更新参数时使用Adam优化器
4。步骤 3. **预测
⑴ 定义：使用训练好的模型预测具体统计量的过程
⑵ 变量定义
① χ : 数量不同
②｛A1,···,AK｝ :任意定义的区域
③ νk ： 特定定义区域 Ak 中的空间基因表达，与其在给定概率分布中的平均值相关
④ Xk : 特定定义区域 Ak 中的读取计数，与其在给定概率分布中的观测值相关
⑤ ηg : A1、A2 获得的基因的差异基因表达
○ 考虑标准化和对数转换
⑶ 配方
5 。程序执行（基于RTX3090）
输入： 2022.01.11 09:28