Journal of Health and Biomedical Informatics

fa ارائه یک روش خودرمزگذار چند مقیاسی جهت بهبود خوشه بندی و تحلیل داده های سلول-منفرد Providing a Multi-Scale Self-Encoding Method to Improve Clustering and Analysis of Single-Cell Data بیوانفورماتیک Bioinformatics پژوهشي اصیل Original Article <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Introduction: In bioinformatics, analyzing single-cell data is crucial for understanding cellular functions' complexities. However, this analysis faces challenges like inefficient dimensionality reduction and suboptimal clustering. This study aimed to present a method that enhances the clustering of single-cell data, improves reconstruction quality, and reduces data dimensions. Method: This paper introduces SAMS (Single-cell Analysis using Multi-Scale Autoencoder), which uses a multi-scale autoencoder model to improve the challenges in single-cell data analysis. The SAMS method involves three primary steps: (1) data preprocessing and normalization, (2) employing a deep neural network model to reconstruct and reduce data dimensions with the help of a multiscale autoencoder, and (3) clustering the reduced data using the K-means algorithm to assess the method's performance. Results: The SAMS method was implemented using Python on single-cell datasets. The results demonstrate that SAMS can effectively visualize cells in a two-dimensional space with an average Nearest Neighbor Error (NNE) rate of 89%, indicating a strong preservation of data structure. Additionally, the Silhouette index and Davis-Bouldin index, which measure clustering accuracy, show significant improvement with averages of 0.66 and 0.50, respectively. Conclusion: The proposed SAMS method by combining the multiscale self-encoder model and the K-means algorithm could obtain better results than the previous methods. Its application in single-cell data analysis can aid researchers in gaining deeper insights into cellular functions and discovering new patterns.</div> تحلیل سلول-منفرد, کاهش ابعاد, تحلیل خوشه بندی Single-cell analysis, Dimensionality reduction, Clustering analysis 72 82 http://jhbmi.ir/browse.php?a_code=A-10-581-2&slc_lang=fa&sid=1 Amin Einipour امین عینی پور a.einipour@gmail.com 10031947532846009551 10031947532846009551 Yes Department of Computer Engineering, Andimeshk Branch, Islamic Azad University, Andimeshk, Iran استادیار گروه مهندسی کامپیوتر، واحد اندیمشک، دانشگاه آزاد اسلامی، اندیمشک، ایران