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.
نوع مطالعه:
پژوهشي اصیل |
موضوع مقاله:
بیوانفورماتیک دریافت: 1403/3/11 | پذیرش: 1403/4/19