NMF通过分解基因表达矩阵为基因因子和细胞系数两个非负矩阵,应用于scRNA-seq数据以识别细胞亚群.该方法利用了基因表达数据的非负特性,有助于揭示细胞异质性和识别新的细胞类型.
NMF约束了原始矩阵V和分解矩阵W、H的非负性,这就意味着只能通过特征的相加来实现原始矩阵V的还原,最终导致的结果是:非负性会引发稀疏,非负性会使计算过程进入部分分解。 非负矩阵分解在单细胞数据分析中的主要应用: 1. 非负矩阵分解在做亚群细分和提取feature的时候是一个非常有效的工具。 2. 多样本整合,LIGER...
非负矩阵分解（Non-negative Matrix Factorization，简称NMF）是一种矩阵分解技术，用于将数据矩阵分解为两个或多个较小矩阵的乘积，这些较小矩阵的元素都是非负的。NMF特别适用于数据挖掘和特征提取，因为它能够保留数据的结构和解释性。scRNA-seq数据通常由一个高维矩阵表示，每一行对应一个基因，每一列...