机器学习方法有助于在多个维度上对细胞簇进行分类和标记

A * STAR研究人员开发的算法可以提高细胞簇的分选和自动标记。该算法通过称为细胞计数的技术促进数据分析，该技术有效地对细胞进行分类和标记以用于研究。

细胞计数数据分析通常依赖于单细胞过程，该过程根据一组明确定义的参数将无关细胞与感兴趣的群体分开。在该选择过程中，根据荧光标记是否存在，将细胞依次分成子集。随着要测量的参数数量的增加，过程的复杂性也会增加，从而导致子集成倍增加。诸如降维和聚类分析之类的方法已经被设计用于高维度，但是经常无法清楚地描述单个细胞内的区别特征，这对于新的和定义不明确的子集是有问题的。

为了解决这个问题，来自A * STAR新加坡免疫网络的Etienne Becht，Evan Newell及其同事已经创建了一种名为Hypergate 的算法，该算法可以生成一种策略，可以分离细胞并简明准确地描述所得到的聚类。“与解决Rubik立方体类似，该算法包含一个迭代过程，其中调整各个参数阈值，直到代表纯度和产量平均值的复合物最大化，”Newell说。

Hypergate优化高维矩形的大小，以最好地封装目标单元簇。它首先包括矩形中的所有单元格，并通过连续的收缩和扩展阶段修改边界。收缩不包括细胞以增加纯度但也可以降低产量，而扩增增加产量，但有时以牺牲纯度为代价。“通过测试所有可能的阈值来解决这个问题，计算成本太高，而且对于当前的计算机而言难以管理，”Newell说。

根据Newell的说法，由此产生的门控策略可以提供对每个细胞群体真正意义的重要见解。研究人员发现，这些策略给出了与传统门控方法不同的细胞群。他们使用先天淋巴细胞评估了Hypergate的分选能力，这是一个免疫细胞家族，其子集数量未知。该算法确定了两个细胞簇，其纯度和产量均高于现有方法。它还标记了24个细胞簇，与先前的描述一致，并且通常具有增强的精确度。

Newell的团队认为Hypergate可以促进流式细胞术和其他高维细胞分析方法，特别是分离难以定义的细胞群。“将来，这可以通过流式细胞仪实时完成，”他说。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如有侵权行为，请第一时间联系我们修改或删除，多谢。