region2vec

# Region2Vec: 基因组区域嵌入 ## 概述 Region2Vec 生成来自 BED 文件的基因组区域和区域集的无监督嵌入。它将基因组区域映射到词汇表，通过拼接创建句子，并应用 word2vec 训练来学习有意义的表示。 ## 何时使用 在处理以下内容时使用 Region2Vec： - 需要降维的 BED 文件集合 - 基因组区域相似性分析 - 需要区域特征向量的下游机器学习任务 - 跨多个基因组数据集的比较分析 ## 工作流 ### 第 1 步：准备数据 在源文件夹中收集 BED 文件。可选择指定文件列表（默认使用目录中的所有文件）。准备一个 universe 文件作为分词的参考词汇表。 ### 第 2 步：分词 运行硬分词将基因组区域转换为 token： python from geniml.tokenization import hard_tokenization src_folder = '/path/to/raw/bed/files' dst_folder = '/path/to/tokenized_files' universe_file = '/path/to/universe_file.bed' hard_tokenization(src_folder, dst_folder, universe_file, 1e-9) 最后一个参数 (1e-9) 是分词重叠显著性的 p 值阈值。 ### 第 3 步：训练 Region2Vec 模型 在分词后的文件上执行 Region2Vec 训练： python from geniml.region2vec import region2vec region2vec( token_folder=dst_folder, save_dir='./region2vec_model', num_shufflings=1000, embedding_dim=100, context_len=50, window_size=5, init_lr=0.025 ) ## 关键参数 | 参数 | 描述 | 典型范围 | |-----------|-------------|---------------| | `init_lr` | 初始学习率 | 0.01 - 0.05 | | `window_size` | 上下文窗口大小 | 3 - 10 | | `num_shufflings` | 洗牌迭代次数 | 500 - 2000 | | `embedding_dim` | 输出嵌入维度 | 50 - 300 | | `context_len` | 训练上下文长度 | 30 - 100 | ## CLI 使用 bash geniml region2vec --token-folder /path/to/tokens --save-dir ./region2vec_model --num-shuffle 1000 --embed-dim 100 --context-len 50 --window-size 5 --init-lr 0.025 ## 最佳实践 - **参数调优**：经常调整 `init_lr`、`window_size`、`num_shufflings` 和 `embedding_dim` 以在特定数据集上获得最佳性能 - **Universe 文件**：使用涵盖分析中所有感兴趣区域的综合 universe 文件 - **验证**：在进行下一步之前，务必验证分词输出