使用监督机器学习从病理样本分类单细胞PBMC类型的协议
Minjie Lyu1, Lin Xin1, Huan Jin1
1School of Computer Science, University of Nottingham, Ningbo, Zhejiang, China.
Methods in molecular biology (Clifton, N.J.)
|May 31, 2023
概括
这项研究引入了一种机器学习协议,用于使用单细胞转录学数据准确分类外围血液单核细胞 (PBMC). 这种方法增强了疾病分类和病态状态的治疗评估.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 周围血液单核细胞 (PBMC) 对于研究免疫系统,疾病和疫苗至关重要.
- 单细胞转录组学 (SCT) 可以通过基因表达来识别细胞类型,但通常依赖于复杂的手动分类方法.
- 准确的细胞类型分类对于疾病诊断和评估治疗疗效至关重要.
研究的目的:
- 在SCT数据上使用监督机器学习 (ML) 来分类PBMC细胞类型的协议.
- 为了从病理样本中高精度和高效地分类PBMC.
- 为各种SCT平台提供适用的框架,包括10×基因组学.
主要方法:
- 该协议涉及三个关键阶段:数据预处理,在标记的PBMC SCT数据集上训练监督的ML模型,并将这些模型应用于新的疾病样本.
- 使用监督机器学习算法进行细胞类型分类.
- 专注于单细胞转录组学数据分析.
主要成果:
- 开发的协议在分类PBMC细胞类型方面实现了高准确性和效率.
- 证明了监督ML在分析复杂的SCT数据方面的有效性.
- 该方法可以适应不同的SCT平台.
结论:
- 监督机器学习为从SCT数据进行PBMC分类提供了一种强大而高效的方法.
- 该协议有助于更精确的疾病分类和治疗评估.
- 该方法广泛适用于来自各种来源和技术的SCT数据集.


