Convergesc Embeddings

🚀 Converge - SC 嵌入生成工具：使用指南

Converge - SC 嵌入生成工具可用于为单细胞 RNA 测序数据生成嵌入向量。这些嵌入向量以高维空间中的向量形式表示细胞，能捕捉细胞的生物学特征，封装基因表达模式，便于进行高效的计算分析、可视化和细胞比较。生成的嵌入向量可用于下游分析任务，如聚类、可视化和数据整合等。

🚀 快速开始

在 files and versions 标签下的 examples 文件夹中，包含了示例笔记本和基因映射 JSON 文件。你可以前往 examples/get_embeddings.ipynb 笔记本，查看如何为你的单细胞数据生成嵌入向量。

✨ 主要特性

• 利用预训练的 Converge - SC 模型为单细胞 RNA 测序数据生成嵌入向量。
• 支持下游分析任务，如聚类、可视化、数据整合等。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

在 files and versions 标签下的 examples 文件夹中，包含了示例笔记本和基因映射 JSON 文件。你可以前往 examples/get_embeddings.ipynb 笔记本，查看如何为你的单细胞数据生成嵌入向量。

高级用法

管道流程说明

该管道使用预训练的 Converge - SC 模型为数据集中的每个细胞生成嵌入向量。工作流程如下：

1. 加载你的单细胞数据（以 AnnData 对象形式）
2. 对数据进行预处理和归一化
3. 加载预训练的 Converge - SC 模型和分词器
4. 为每个细胞生成嵌入向量
5. 存储嵌入向量，用于下游任务

输入数据要求

你的数据应采用 AnnData 对象（.h5ad 文件）的形式，需包含以下内容：

1. 表达数据：基因表达测量值存储在 adata.X 中
2. 基因信息：基因标识符存储在 adata.var_names 中

预处理步骤

在生成嵌入向量之前，你需要对数据进行预处理：

1. 归一化：将数据归一化到一个共同的尺度

import scanpy as sc
   
# Normalize to 10,000 counts per cell
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)  # Log-transform the data

2. 基因名称映射：Converge - SC 的词汇表使用基因符号，而非 ENSEMBL ID，因此如果适用，你需要将 ENSEMBL ID 映射为基因符号

import json
   
# Load the mapping file
with open('examples/ensembl_to_gene_symbol.json', 'r') as file:
    ensg_to_symbol = json.load(file)
    
# Map gene names
adata.var_names = adata.var_names.map(lambda col: ensg_to_symbol.get(col, col))

生成嵌入向量

加载模型和分词器

model = AutoModel.from_pretrained('ConvergeBio/ConvergeSC-embeddings', token='your_token_here', trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained('ConvergeBio/ConvergeSC-embeddings', token='your_token_here', trust_remote_code=True)

计算嵌入向量

tokenized_cell = tokenizer(gene_names, expression_values=gene_values)
embedding = model(**tokenized_cell)

📚 详细文档

文档未提供更详细的说明，故跳过此章节。

🔧 技术细节

文档未提供具体的技术实现细节，故跳过此章节。

📄 许可证

本项目采用 CC - BY - NC - ND 4.0 许可证。