PoincareMaps 开源项目教程

PoincareMaps 开源项目教程

PoincareMaps The need to understand cell developmental processes has spawned a plethora of computational methods for discovering hierarchies from scRNAseq data. However, existing techniques are based on Euclidean geometry which is not an optimal choice for modeling complex cell trajectories with multiple branches. To overcome this fundamental representation issue we propose Poincaré maps, a method harnessing the power of hyperbolic geometry into the realm of single-cell data analysis. 项目地址: https://gitcode.com/gh_mirrors/po/PoincareMaps

1. 项目介绍

PoincareMaps 是由 Facebook Research 开发的一个开源项目，旨在利用双曲几何（Hyperbolic Geometry）来分析单细胞 RNA 测序（scRNAseq）数据中的细胞发育过程。传统的分析方法主要基于欧几里得几何，但在处理具有多个分支的复杂细胞轨迹时，欧几里得几何并不是最佳选择。PoincareMaps 通过引入双曲几何，能够更好地捕捉和建模这些复杂的细胞轨迹。

项目的主要贡献在于提供了一种新的方法，能够更准确地发现和表示单细胞数据中的层次结构，从而帮助研究人员更好地理解细胞发育过程。

2. 项目快速启动

2.1 环境准备

在开始使用 PoincareMaps 之前，请确保您的环境中已经安装了以下依赖：

• Python 3.7
• Anaconda（包含 sklearn, numpy, pandas, scipy）
• Seaborn
• PyTorch（推荐版本 1.7.1）

您可以通过以下命令安装 PyTorch：

pip install torch==1.7.1

2.2 克隆项目

首先，克隆 PoincareMaps 项目到本地：

git clone https://github.com/facebookresearch/PoincareMaps.git
cd PoincareMaps

2.3 运行示例

项目中提供了多个示例数据集，您可以通过以下命令运行其中一个示例：

python main.py --dset ToggleSwitch --batchsize -1 --cuda 1 --knn 15 --gamma 2.0 --sigma 1.0 --pca 0 --root root

此命令将使用 ToggleSwitch 数据集进行嵌入分析。

3. 应用案例和最佳实践

3.1 细胞发育轨迹分析

PoincareMaps 在分析细胞发育轨迹时表现出色。例如，在分析 MyeloidProgenitors 数据集时，可以通过以下命令运行：

python main.py --dset MyeloidProgenitors --batchsize -1 --cuda 1 --knn 30 --gamma 2.0 --sigma 2.0 --pca 0 --root root

3.2 数据集可视化

项目中还提供了数据集的可视化工具，您可以通过以下命令生成可视化结果：

python visualize.py --dset MyeloidProgenitors --cuda 1

4. 典型生态项目

4.1 Scanpy

Scanpy 是一个用于分析单细胞 RNA 测序数据的 Python 库，与 PoincareMaps 结合使用可以进一步提升数据分析的深度和广度。

4.2 Seurat

Seurat 是一个用于单细胞数据分析的 R 包，与 PoincareMaps 结合使用可以实现跨平台的数据分析和结果验证。

通过这些生态项目的结合，您可以构建一个更加全面和强大的单细胞数据分析平台。

PoincareMaps The need to understand cell developmental processes has spawned a plethora of computational methods for discovering hierarchies from scRNAseq data. However, existing techniques are based on Euclidean geometry which is not an optimal choice for modeling complex cell trajectories with multiple branches. To overcome this fundamental representation issue we propose Poincaré maps, a method harnessing the power of hyperbolic geometry into the realm of single-cell data analysis. 项目地址: https://gitcode.com/gh_mirrors/po/PoincareMaps