CN119811510B 一种单细胞Hi-C数据增强方法、系统及存储介质 （中山大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119811510B(45)授权公告日2025.07.01

(21)申请号202510293942.1

(22)申请日2025.03.13

(65)同一申请的已公布的文献号申请公布号CN119811510A

(43)申请公布日2025.04.11

(73)专利权人中山大学

地址510275广东省广州市海珠区新港西

路135号

(72)发明人田德朝张淇乔张悦高文静

(74)专利代理机构广州市华学知识产权代理有限公司44245

专利代理师林梅繁

(51)Int.CI.

G16B40/30(2019.01)

G16B40/00(2019.01)

GO6F18/25(2023.01)

GO6F18/23(2023.01)

GO6N3/042(2023.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/0455(2023.01)

(56)对比文件

CN113628112A,2021.11.09

liuT等.cHiCEmbed:Bin-Specific

EmbeddingsofSingle-CellHi-CDataUsingGraphAuto-Encoders.《Genes》.2022,第13卷第1-19页.

审查员温冰冰

权利要求书5页说明书14页附图1页

(54)发明名称

一种单细胞Hi-C数据增强方法、系统及存储介质

(57)摘要

CN119811510B本发明涉及生物信息学技术，为一种单细胞Hi-C数据增强方法、系统及存储介质。其方法包括步骤：对多分辨率的Hi-C数据进行预处理，提取不同分辨率下的Hi-C接触矩阵并构建为图结构，得到不同分辨率下的图结构数据；构建变分图自编码器VGAE模型作为融合单元模型，将所述图结构数据输入融合单元模型，进行特征提取与矩阵重构，实现不同分辨率下的图结构数据的跨尺度融合，获得不同分辨率下的融合潜在空间特征，重构接触矩阵作为增强后的Hi-C接触矩阵。本发明将低分辨率与高分辨率数据的信息进行有效融合，解决了单细胞

CN119811510B

题。

S1

S1

对多分辨率的Hi-C数据进行预处理，得到不同分辨率下的图结构数据

S2

构建变分图自编码器VGAE模型作为融合单元模型，对不同分辨率下的图结构进行特征提取与矩阵重构，将重构接触矩阵作为增强后的Hi-C接触矩阵

S3

通过增强后的Hi-C接触矩阵，识别Hi-C数据中的结构域边界

CN119811510B权利要求书1/5页

2

1.一种单细胞Hi-C数据增强方法，其特征在于，包括以下步骤：

S1、对多分辨率的Hi-C数据进行预处理，提取每个细胞不同分辨率下的Hi-C接触矩阵，将不同分辨率下的Hi-C接触矩阵构建为图结构，得到不同分辨率下的图结构数据；

S2、构建变分图自编码器VGAE模型作为融合单元模型，将不同分辨率下的图结构数据输入融合单元模型，进行特征提取与矩阵重构，实现不同分辨率下的图结构数据的跨尺度融合，获得不同分辨率下的融合潜在空间特征，重构接触矩阵作为增强后的Hi-C接触矩阵；

步骤S2包括：

S21、设计变分图自编码器VGAE模型作为融合单元模型；

S22、设置VGAE模型的编码器，同时输入多分辨率的图结构数据使VGAE模型学习每个分辨率下的图结构节点特征，并通过图卷积操作提取潜在的结构信息；再将不同分辨率下的图结构节点特征进行维度变换，对多个分辨率的图结构节点特征进行加强融合，输出不同分辨率下的融合潜在空间特征；

S23、设置VGAE模型的解码器，根据编码器输出的不同分辨率下的融合潜在空间特征，通过矩阵的内积操作计算图结构的节点之间的相似性，以重构生成不同分辨率下的Hi-C接触矩阵的预测值，得到预测接触矩阵；

S24、基于重构损失与KL散度损失，构建VGAE模型的损失函数，用于优化融合单元模型的训练过程；其中，重构损失用于衡量原始接触矩阵和预测接触矩阵之间的差异，KL散度损失用于衡量编码器输出的潜在空间特征分布与标准正态分布之间的差异；

重构损失为：

其中LBCE为重构损失，N表示接触矩阵中元素的总数；Aij为原始Hi-C接触矩阵的元

素，表示节点i