ارائه یک روش خودرمزگذار چند مقیاسی جهت بهبود خوشه بندی و تحلیل داده های سلول-منفرد

مقدمه:  تحلیل داده های سلول-منفرد نقش بسزایی در فهم پیچیدگی های عملکرد سلول ها ایفا می کند. تحلیل این داده ها با چالش هایی مانند کاهش ابعاد ناکارآمد و خوشه بندی 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 چالش های موجود در تحلیل داده های سلول-منفرد بهره می برد. روش پیشنهادی SAMS شامل سه مرحله اصلی است: (۱) پیش پردازش و نرمال سازی داده­ها، (۲) استفاده از مدل شبکه عصبی عمیق برای بازسازی و کاهش ابعاد داده ها به کمک خودرمزگذار چندمقیاسی و (۳) خوشه بندی داده های کاهش یافته با استفاده از الگوریتم K-means برای ارزیابی عملکرد روش پیشنهادی. یافته ها: روش پیشنهادی SAMS با استفاده از زبان پایتون پیاده­سازی شده و نتایج به دست آمده بر روی مجموعه داده­های سلول-منفرد  نشان می دهد که SAMS می­تواند سلول­ها را با کیفیت بالایی در یک فضای دو بعدی با میانگین نرخ ۸۹%  NNE= نمایش دهد که نشان­دهنده حفظ مناسب ساختار داده­ها است. همچنین، شاخص­های سیلوئت و دیویس-بولدین در ارزیابی دقت خوشه بندی، نشان می­دهد که روش پیشنهادی به ترتیب با میانگین ۶۶/۰ و ۵۰/۰ توانسته بهبود خوبی را در خوشه­بندی سلول­ها ایجاد کند. نتیجه گیری: روش پیشنهادی SAMS با ترکیب مدل خودرمزگذار چندمقیاسی و الگوریتم  K-meansتوانسته نتایج بهتری نسبت به روش های پیشین به دست آورد. به کارگیری SAMS در تحلیل داده های سلول-منفرد می تواند به پژوهشگران در درک بهتر عملکرد سلول ها و کشف الگوهای جدید کمک کند.

Keywords:

Single-cell analysis , Dimensionality reduction , Clustering analysis , تحلیل سلول-منفرد , کاهش ابعاد , تحلیل خوشه بندی