scembed

# scEmbed: 单细胞嵌入生成 ## 概述 scEmbed 在单细胞 ATAC-seq 数据集上训练 Region2Vec 模型，以生成用于聚类和分析的细胞嵌入。它提供了一种无监督机器学习框架，用于在低维空间中表示和分析 scATAC-seq 数据。 ## 何时使用 在处理以下内容时使用 scEmbed： - 需要聚类的单细胞 ATAC-seq (scATAC-seq) 数据 - 细胞类型注释任务 - 单细胞染色质可及性的降维 - 与 scanpy 工作流集成以进行下游分析 ## 工作流 ### 第 1 步：数据准备 输入数据必须为 AnnData 格式，且 `.var` 属性包含峰的 `chr`、`start` 和 `end` 值。 **从原始数据开始** (barcodes.txt, peaks.bed, matrix.mtx)： python import scanpy as sc import pandas as pd import scipy.io import anndata # 加载数据 barcodes = pd.read_csv('barcodes.txt', header=None, names=['barcode']) peaks = pd.read_csv('peaks.bed', sep='t', header=None, names=['chr', 'start', 'end']) matrix = scipy.io.mmread('matrix.mtx').tocsr() # 创建 AnnData adata = anndata.AnnData(X=matrix.T, obs=barcodes, var=peaks) adata.write('scatac_data.h5ad') ### 第 2 步：预分词 使用 gtars 工具将基因组区域转换为 token。这将创建一个包含分词后细胞的 parquet 文件，以实现更快的训练： python from geniml.io import tokenize_cells tokenize_cells( adata='scatac_data.h5ad', universe_file='universe.bed', output='tokenized_cells.parquet' ) **预分词的好处：** - 更快的训练迭代 - 降低内存需求 - 可重用的分词数据，适用于多次训练运行 ### 第 3 步：模型训练 使用分词后的数据训练 scEmbed 模型： python from geniml.scembed import ScEmbed from geniml.region2vec import Region2VecDataset # 加载分词后的数据集 dataset = Region2VecDataset('tokenized_cells.parquet') # 初始化并训练模型 model = ScEmbed( embedding_dim=100, window_size=5, negative_samples=5 ) model.train( dataset=dataset, epochs=100, batch_size=256, learning_rate=0.025 ) # 保存模型 model.save('scembed_model/') ### 第 4 步：生成细胞嵌入 使用训练好的模型生成细胞嵌入： python from geniml.scembed import ScEmbed # 加载训练好的模型 model = ScEmbed.from_pretrained('scembed_model/') # 为 AnnData 对象生成嵌入 embeddings = model.enc