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与有限的训练数据

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 高分辨率成像分析分析.

背景情况:

• 循环免疫光 (IF) 能够进行详细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,可能导致错误分类.
• 现有方法中的标记表达平均值缺乏用于细胞类型分配的统计验证.

研究的目的:

• 在复杂的IF数据中开发一个端到端的管道,用于精确的单元类型注释.
• 通过纳入统计评估和半监督方法来改进现有方法.
• 提供一个工具,以提高高维度IF数据集的分类准确性和可解释性.

主要方法:

• 实施一个半监督的,随机的基于森林的管道,用于细胞类型预测.
• 利用基于集群的抽样进行高效的培训数据生成.
• 整合下游可视化,以提高单元格注释的可解释性.

主要成果:

• 与深度学习和概率方法相比,Fluoro-forest管道在细胞注释中显示出更高的准确性.
• 获得了高级分类,培训数据集包括不到5%的总细胞.
• 该管道为用户评估提供了细胞类型概率和性能指标.

结论:

• 拟议的Fluoro-forest管道为循环IF中的细胞类型注释提供了一个统计学上可靠和准确的方法.
• 它显著提高了分类准确性,即使训练数据有限,也优于现有的方法.
• 该工具免费提供,使其在复杂的IF数据分析工作流程中更容易采用.