1.一種基于深度學習的核酸細胞粒度反卷積方法，其特征在于，包括：
2.根據權利要求1所述的核酸細胞粒度反卷積方法，其特征在于，由所述目標深度學習模型對所述核酸表達譜進行解卷積操作，輸出所述目標對象的n維細胞類型比例的步驟，包括：
3.根據權利要求2所述的核酸細胞粒度反卷積方法，其特征在于，在生成所述目標矩陣時，包括：
4.根據權利要求3所述的核酸細胞粒度反卷積方法，其特征在于，采用單細胞測序數據集模擬生成核酸的表達譜，得到模擬核酸表達譜的步驟，包括：
5.根據權利要求3所述的核酸細胞粒度反卷積方法，其特征在于，從所述模擬核酸表達譜中選取高變基因集合的步驟，包括：
6.根據權利要求3所述的核酸細胞粒度反卷積方法，其特征在于，基于所述高變基因集合以及預設通路數據集，生成所述通路掩膜矩陣的步驟，包括：
7.根據權利要求6所述的核酸細胞粒度反卷積方法，其特征在于，基于所述通路掩膜矩陣，對所述模擬核酸表達譜進行嵌入處理，生成目標矩陣的步驟，包括：
8.根據權利要求7中所述的核酸細胞粒度反卷積方法，其特征在于，所述可迭代更新的參數集合包括：深度神經網絡的網絡結構、深度神經網絡的全連接層數量以及全連接權重矩陣。
9.根據權利要求1所述的核酸細胞粒度反卷積方法，其特征在于，所述目標深度學習模型是預先訓練的，在訓練所述目標深度學習模型時，包括：
10.一種基于深度學習的核酸細胞粒度反卷積裝置，其特征在于，包括：
11.一種電子設備，其特征在于，包括：
12.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行權利要求1至9中任意一項所述的基于深度學習的核酸細胞粒度反卷積方法。