类似度量对细胞类型聚类在高度多重化的现场成像细胞计数据中的相似度指标的影响
Elijah Willie1,2, Pengyi Yang1,2,3,4, Ellis Patrick1,2,3,5
1Sydney Precision Data Science Centre, The University of Sydney, Camperdown, NSW 2006, Australia.
Bioinformatics advances
|November 6, 2023
概括
FuseSOM是一种全新的集群聚合算法,可以改善多重成像细胞计数据中的细胞类型识别. 它通过整合相似度指标和自我组织地图来实现更可靠的分析,优于现有的方法.
科学领域:
- 计算生物学 计算生物学
- 生物技术是生物技术.
- 数据科学数据科学数据科学
背景情况:
- 多复合的现场成像细胞测量试验提供了详细的细胞洞察力,但产生了复杂的数据.
- 在这些试验中,无监督的机器学习,特别是聚类,对于细胞类型识别至关重要.
- 现有的聚类方法,通常是为细胞悬浮而设计的,对于成像细胞计量数据可能不是最佳的.
研究的目的:
- 系统地评估用于现场成像细胞计的集群算法.
- 为了确定最佳的相似度指标用于细胞关系的确定.
- 为此类数据类型开发一个改进的集群方法.
主要方法:
- 对细胞聚类的各种相似度指标的评估.
- 介绍FuseSOM,一个集群聚类算法.
- 将分层多视图学习与自组织地图集成.
- 使用分层子样本框架进行严格的分析.
主要成果:
- 根据所选择的相似度指标,聚类性能会有很大的变化.
- 与现有的成像细胞计量最佳实践方法相比,FuseSOM表现出卓越的性能.
- 这种新的算法确保了更准确,更可靠的细胞类型和子集识别.
结论:
- 选择适当的相似度指标对于在成像细胞计量中准确的细胞聚类至关重要.
- FuseSOM提供了一个强大而先进的解决方案,用于分析复杂的多重成像数据.
- 这项工作提高了生物研究中细胞分析的可靠性和准确性.
更多相关视频
08:18Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples
Published on: April 7, 2023
1.6K
06:05Author Spotlight: Multiplex Immunofluorescence Combined with Spatial Image Analysis for the Clinical and Biological Assessment of the Tumor Microenvironment
Published on: June 2, 2023
7.6K
