使用高斯混合模型进行计算高效的多样本流细胞计数据分析
Philip Rutten1,2,3, Tim R Mocking4,5, Jacqueline Cloos4,5
1Department of Hematology, Amsterdam UMC, Vrije Universiteit Amsterdam, Amsterdam, The Netherlands. p.rutten@amsterdamumc.nl.
BMC bioinformatics
|October 23, 2025
概括
本研究介绍了一种计算效率高的多样本高斯混合模型 (MSGMM) 用于流细胞计 (FCM) 数据. MSGMMs能够对大型FCM数据集进行可扩展分析,改善罕见细胞检测和样本分类.
科学领域:
- 计算生物学 计算生物学
- 生物统计学 生物统计学
- 数据科学数据科学数据科学
背景情况:
- 在多流细胞计 (FCM) 样本中比较细胞种群是一个重大挑战.
- 现有的多样本混合模型,通常是贝叶斯模型,在计算上很复杂,对于大型FCM数据集缺乏可扩展性.
研究的目的:
- 为可扩展的FCM数据分析开发一个计算高效的多样本高斯混合模型 (MSGMM).
- 为了促进跨异质FCM样本的细胞群的直接比较.
主要方法:
- 扩展基本高斯混合模型 (GMMs) 来处理多个样本.
- 应用一个高效的预期-最大化算法用于模型拟合.
- 开发用于分析MSGMM输出的启发式分析,以揭示样本模式.
主要成果:
- 在罕见细胞检测和样本分类准确度方面,MSGMMs与现有模型具有竞争力.
- 该模型证明了大型FCM数据集的可扩展性.
- 应用到MSGMM输出的启发式有效地揭示了样本收集中的结构模式.
结论:
- 高效的MSGMM恢复了更复杂模型的实用性,同时提供了可扩展性.
- 将GMM配合到大型FCM数据集中,为发现样本组成与临床结果或治疗反应之间的关联开辟了道路.


