RT - Journal Article T1 - A Graph-Based Clustering Approach to Identify Cell Populations in Single-Cell RNA Sequencing Data JF - jhbmi YR - 2020 JO - jhbmi VO - 7 IS - 1 UR - http://jhbmi.ir/article-1-420-fa.html SP - 60 EP - 72 K1 - Single-cell RNA-sequencing K1 - Clustering K1 - Identification of Cell Populations K1 - Graph-based Gaussian Kernel AB - مقدمه: استفاده از فناوری «توالی­ یابی RNA سلول-منفرد» باعث شناخت بهتر ساختارهای سلولی شده و داده‌های با وضوح بسیار بالایی از بیان ژن‌های مختلف هر سلول را در یک زمان واحد ارائه می‌دهد. یکی از زمینه­ های پرکاربرد در این حوزه، خوشه­بندی داده­ ها بر اساس ژن‌های بیان شده است که بعضاً منتج به شناسایی جمعیت­ های سلولی جدید می­گردد. عملکرد روش­ های پیشنهادی عمدتاً به شکل جمعیت­ ها و ابعاد داده­ ها بستگی دارد؛ لذا توسعه یک روش که بتواند فارغ از این موانع به شناسایی جمعیت­ های سلولی بپردازد، بسیار مهم است. روش: در روش پیشنهادی که یک روش کتابخانه­ ای بود، ابتدا تعداد جمعیت‌های سلولی تخمین زده شد. این تخمین از آن جهت اهمیت دارد که در دنیای واقعی، اطلاعات اولیه مثل تعداد و نوع جمعیت‌های سلولی در دسترس نیست. سپس با استفاده از یک کرنل گاوسی مبتنی بر گراف، ضمن کاهش ابعاد مسئله، اقدام به شناسایی جمعیت‌های سلولی با روش خوشه‌بندی kmeans++ شد. نتایج: نتایج پیاده‌سازی نشان داد که روش پیشنهادی می‌تواند نسبت به سایر روش‌های یادگیری ماشین ارائه شده در این زمینه، بهبود قابل قبولی را حاصل کند. به عنوان مثال برای معیار ARI، مقادیر 100، 93/47 و 84/69 به ترتیب برای مجموعه داده‌های سلول-منفرد Kolod، Buettner و Usoskin حاصل شد. نتیجه­ گیری: روش پیشنهادی بدون هیچ اطلاعات اولیه در مورد تعداد و نوع جمعیت‌های سلولی و فارغ از ابعاد بالای مسئله، می­تواند اقدام به خوشه‌بندی و در نتیجه شناسایی جمعیت‌های سلولی با دقت و کیفیت بالایی نماید. LA eng UL http://jhbmi.ir/article-1-420-fa.html M3 ER -