دوره 11، شماره 1 - ( 3-1403 )                   جلد 11 شماره 1 صفحات 82-72 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Einipour A. Providing a Multi-Scale Self-Encoding Method to Improve Clustering and Analysis of Single-Cell Data. jhbmi 2024; 11 (1) :72-82
URL: http://jhbmi.ir/article-1-867-fa.html
عینی پور امین. ارائه یک روش خودرمزگذار چند مقیاسی جهت بهبود خوشه بندی و تحلیل داده های سلول-منفرد. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (1) :72-82

URL: http://jhbmi.ir/article-1-867-fa.html


استادیار گروه مهندسی کامپیوتر، واحد اندیمشک، دانشگاه آزاد اسلامی، اندیمشک، ایران
چکیده:   (315 مشاهده)
مقدمه:  تحلیل داده‌های سلول-منفرد نقش بسزایی در فهم پیچیدگی‌های عملکرد سلول‌ها ایفا می‌کند. تحلیل این داده‌ها با چالش‌هایی مانند کاهش ابعاد ناکارآمد و خوشه‌بندی نامطلوب مواجه هستند. هدف این مقاله ارائه روشی است که ضمن افزایش کیفیت بازسازی و کاهش ابعاد داده­ها، خوشه­بندی داده­های سلول-منفرد را بهبود ­بخشد.
روش کار: در این مطالعه یک روش جدید به نام (Single-cell Analysis using Multi-Scale autoencoder) SAMS  ارائه می­شود که از یک مدل خود رمزگذار چندمقیاسی برای بهبود چالش‌های موجود در تحلیل داده‌های سلول-منفرد بهره می‌برد. روش پیشنهادی SAMS شامل سه مرحله اصلی است: (1) پیش‌پردازش و نرمال‌سازی داده­ها، (2) استفاده از مدل شبکه عصبی عمیق برای بازسازی و کاهش ابعاد داده‌ها به کمک خودرمزگذار چندمقیاسی و (3) خوشه‌بندی داده‌های کاهش‌یافته با استفاده از الگوریتم K-means برای ارزیابی عملکرد روش پیشنهادی.
یافته‌ها: روش پیشنهادی SAMS با استفاده از زبان پایتون پیاده­سازی شده و نتایج به ‌دست آمده بر روی مجموعه داده­های سلول-منفرد  نشان می‌دهد که SAMS می­تواند سلول­ها را با کیفیت بالایی در یک فضای دو بُعدی با میانگین نرخ 89%  NNE= نمایش دهد که نشان­دهنده حفظ مناسب ساختار داده­ها است. همچنین، شاخص­های سیلوئت و دیویس-بولدین در ارزیابی دقت خوشه‌بندی، نشان می­دهد که روش پیشنهادی به ترتیب با میانگین 66/0 و 50/0 توانسته بهبود خوبی را در خوشه­بندی سلول­ها ایجاد کند.
نتیجه‌گیری: روش پیشنهادی SAMS با ترکیب مدل خودرمزگذار چندمقیاسی و الگوریتم  K-meansتوانسته نتایج بهتری نسبت به روش‌های پیشین به دست آورد. به‌کارگیری SAMS در تحلیل داده‌های سلول-منفرد می‌تواند به پژوهشگران در درک بهتر عملکرد سلول‌ها و کشف الگوهای جدید کمک کند.
متن کامل [PDF 861 kb]   (137 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: بیوانفورماتیک
دریافت: 1403/3/11 | پذیرش: 1403/4/19

فایل صوتی [MP3 734 KB]  (24 دریافت)
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله انفورماتیک سلامت و زیست پزشکی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Health and Biomedical Informatics

Designed & Developed by : Yektaweb