森林:一个随机的森林工作流程用于细胞类型注释在高维免疫光成像中的高维免疫光成像
Joshua Brand1, Wei Zhang2, Evie Carchman3,4
1McArdle Laboratory for Cancer Research, Department of Oncology, School of Medicine and Public Health, University of Wisconsin - Madison, Madison, WI 53705, USA.
bioRxiv : the preprint server for biology
|July 4, 2025
概括
这项研究引入了一个新的半监督随机森林管道,用于在循环免疫光 (IF) 成像中准确的细胞类型注释. 该方法改善了分类,并且需要最小的训练数据,增强复杂组织中的细胞表型.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 循环免疫光 (IF) 能够实现高分辨率的细胞表型和组织组织分析.
- 当前的工作流程经常使用无监督的集群和集群级注释,缺乏统计学严谨性和风险错误分类.
- 现有方法中的标记物表达平均值不能提供可靠的细胞类型分配.
研究的目的:
- 开发一个端到端的管道,用于在周期IF数据中准确的细胞类型注释.
- 通过纳入统计评估来改进现有的基于集群的注释方法.
- 在复杂的生物样本中提高细胞类型分配的解释性和准确性.
主要方法:
- 一种半监督的随机森林方法,用于预测细胞类型注释.
- 基于集群的抽样,以有效生成培训数据.
- 下游可视化技术用于细胞注释的解释性.
主要成果:
- 拟议的工作流显著提高了细胞类型注释的准确性.
- 准确的注释是通过一个包含不到5%的总细胞的训练套件实现的.
- 管道提供细胞类型注释概率和模型性能指标.
结论:
- 开发的管道为周期性IF数据中细胞类型注释提供了统计学上稳健和准确的方法.
- 这种方法提高了细胞表型和组织组织量化的可靠性.
- 该工具可以增强现有的基于集群的工作流程,用于复杂的IF数据分析.
