贝叶斯优化参数选择用于基于密度的聚类,应用于单分子局部化显微镜
Joseph L Hammer1, Alexander J Devanny1, Laura J Kaufman2
1Department of Chemistry, Columbia University, New York, NY, 10027, USA.
Communications biology
|June 10, 2025
概括
本研究介绍了DBOpt,这是一种在基于密度的聚类中进行公正参数选择的新方法. DBOpt提高了集群分析的准确性和可重复性,特别是在单分子定位显微镜数据方面.
科学领域:
- 生物物理学的生物物理.
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 基于密度的聚类对于分析单分子局部化显微镜 (SMLM) 中的纳米组织至关重要.
- 目前的方法缺乏对评估集群性能和选择最佳用户定义参数的强有力的指导.
- 这种限制阻碍了SMLM数据分析的可复制性和准确性.
研究的目的:
- 开发一种有效和定量方法,用于验证SMLM数据集中的基于密度的聚类.
- 为基于密度的集群算法引入一种自动化方法,以不偏地选择最佳参数.
- 提高SMLM和其他领域的集群分析的完整性,可重复性和质量.
主要方法:
- 为SMLM大小的数据集实施一个高效的基于密度的集群验证 (DBCV) 算法.
- 将DBCV与贝叶斯优化结合起来,创建用于自动参数选择的DBOpt方法.
- 在模拟和实验2D/3D数据上使用DBSCAN,HDBSCAN和OPTICS等流行的算法测试DBOpt.
主要成果:
- 最大化DBCV得分有效地识别了杂的,模拟的SMLM数据中的集群.
- DBOpt成功地选择了DBSCAN,HDBSCAN和OPTICS的最佳参数,使用最小的用户输入.
- 在模拟和实验2D和3DSMLM数据中,DBOpt准确地确定了特征大小.
结论:
- DBOpt提供了一种高效且公正的方法,用于基于密度的聚类中的参数选择.
- 这种方法显著提高了SMLM数据的集群分析的可靠性和可重复性.
- DBOpt是提高SMLM和潜在的其他科学领域的定量分析的宝贵工具.
