Optimized cell type signatures revealed from single-cell data by combining principal feature analysis, mutual information, and machine learning

หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป

• ระดับ A · หลักฐานทางคลินิกค่อนข้างแข็งแรง
• ระดับ B · หลักฐานทางคลินิกที่กำลังเติบโตและมีสัญญาณเชิงบวก
• ระดับ C · งานวิจัยในมนุษย์ระยะต้นที่กำลังสำรวจประโยชน์
• ระดับ D · รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลอง
• กำลังศึกษาเพิ่มเติม · หัวข้อใหม่ที่นักวิจัยกำลังสำรวจอย่างต่อเนื่อง

บทคัดย่อ (ต้นฉบับภาษาอังกฤษ)

Machine learning techniques are excellent to analyze expression data from single cells. These techniques impact all fields ranging from cell annotation and clustering to signature identification. The presented framework evaluates gene selection sets how far they optimally separate defined phenotypes or cell groups. This innovation overcomes the present limitation to objectively and correctly identify a small gene set of high information content regarding separating phenotypes for which corresponding code scripts are provided. The small but meaningful subset of the original genes (or feature space) facilitates human interpretability of the differences of the phenotypes including those found by machine learning results and may even turn correlations between genes and phenotypes into a causal explanation. For the feature selection task, the principal feature analysis is utilized which reduces redundant information while selecting genes that carry the information for separating the phenotypes. In this context, the presented framework shows explainability of unsupervised learning as it reveals cell-type specific signatures. Apart from a Seurat preprocessing tool and the PFA script, the pipeline uses mutual information to balance accuracy and size of the gene set if desired. A validation part to evaluate the gene selection for their information content regarding the separation of the

ระดับหลักฐาน

หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป

ดูงานวิจัยทั้งหมดที่เกี่ยวข้อง

กรองห้องสมุดงานวิจัยด้วยชื่อเรื่อง ชื่อผู้เขียน หรือปีที่ตีพิมพ์ของงานวิจัยนี้