ارائه یک روش خودرمزگذار چند مقیاسی جهت بهبود خوشه بندی و تحلیل داده های سلول-منفرد
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 40
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JHBMI-11-1_006
تاریخ نمایه سازی: 27 شهریور 1403
Abstract:
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:
Authors
امین عینی پور
Department of Computer Engineering, Andimeshk Branch, Islamic Azad University, Andimeshk, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :