通过单层感知神经网络对单细胞RNA序列数据进行瘤细胞类型和基因标记物识别
Biswajit Senapati1, Ranjita DAS
1Computer Science and Engineering, National Institute of Technology Mizoram, Chaltlang, Aizawl 796 012, India.
Journal of biosciences
|March 25, 2024
概括
一个新的单层感知子模型有效地使用单细胞RNA测序数据对瘤中的细胞类型和基因标记物进行分类. 这种机器学习方法显著优于其他优化和分类模型,用于准确的瘤分析.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 瘤表现出复杂的异质结构,需要先进的分析工具.
- 单细胞RNA测序 (scRNA-seq) 提供了对瘤微环境的关键见解.
- 在scRNA-seq分析中的挑战包括转录噪声和mRNA降解.
研究的目的:
- 开发和评估一种机器学习模型,用于精确识别瘤中的细胞类型和基因标记物.
- 为了解决现有的scRNA-seq分析方法的局限性.
- 将单层感知器的性能与其他高级优化和机器学习分类器进行比较.
主要方法:
- 机器学习分类器,优化算法和神经网络应用于scRNA测序数据的应用.
- 开发和实施单层感知子模型,用于基因表达特征分析.
- 对拟议的单层感知子进行比较分析,使用诸如 Extra Tree Classifier,k-Nearest Neighbors,Decision Tree,Random Forest 和 Gaussian Naive Bayes 等模型进行比较分析,每个模型都与不同的优化技术相结合.
主要成果:
- 拟议的单层感知器表现出优越的性能,与其他评估模型相比.
- 该模型在分类细胞类型和基因标记物方面实现了高准确度,精度,回忆和F1分数.
- 在正常的粘膜和结直肠瘤数据集上进行了验证,证实了该模型的有效性.
结论:
- 单层感知子为在瘤研究中分析scRNA测序数据提供了强大而准确的方法.
- 这种方法有效地克服了转录噪声和数据复杂性所带来的挑战.
- 这些发现支持先进机器学习对精确瘤亚型和生物标志物发现的实用性.
