Fugu-MT 論文翻訳(概要): Machine Learning for Flow Cytometry Data Analysis

論文の概要: Machine Learning for Flow Cytometry Data Analysis

arxiv url: http://arxiv.org/abs/2303.09007v1
Date: Thu, 16 Mar 2023 00:43:46 GMT
ステータス: 処理完了
システム内更新日: 2023-03-17 17:22:39.201658
Title: Machine Learning for Flow Cytometry Data Analysis
Title（参考訳）: フローサイトメトリーデータ解析のための機械学習
Authors: Yanhua Xu
Abstract要約: フローサイトメーターは、同時に数万の細胞を迅速に分析し、同時に単一の細胞から複数のパラメータを測定できる。何百万もの細胞から収集された多次元データの中で、興味深い細胞集団を手動で識別できる必要がある。 3つの代表的な自動クラスタリングアルゴリズムが選択され、完全にかつ部分的に自動ゲーティングによって適用され、比較され、評価される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Flow cytometry mainly used for detecting the characteristics of a number of biochemical substances based on the expression of specific markers in cells. It is particularly useful for detecting membrane surface receptors, antigens, ions, or during DNA/RNA expression. Not only can it be employed as a biomedical research tool for recognising distinctive types of cells in mixed populations, but it can also be used as a diagnostic tool for classifying abnormal cell populations connected with disease. Modern flow cytometers can rapidly analyse tens of thousands of cells at the same time while also measuring multiple parameters from a single cell. However, the rapid development of flow cytometers makes it challenging for conventional analysis methods to interpret flow cytometry data. Researchers need to be able to distinguish interesting-looking cell populations manually in multi-dimensional data collected from millions of cells. Thus, it is essential to find a robust approach for analysing flow cytometry data automatically, specifically in identifying cell populations automatically. This thesis mainly concerns discover the potential shortcoming of current automated-gating algorithms in both real datasets and synthetic datasets. Three representative automated clustering algorithms are selected to be applied, compared and evaluated by completely and partially automated gating. A subspace clustering ProClus also implemented in this thesis. The performance of ProClus in flow cytometry is not well, but it is still a useful algorithm to detect noise.
Abstract（参考訳）: フローサイトメトリーは主に、細胞内の特定のマーカーの発現に基づいて多数の生化学的物質の特性を検出するために用いられる。特に、膜表面受容体、抗原、イオン、またはDNA/RNA発現中の検出に有用である。混合集団における特異な種類の細胞を認識するための生物医学的研究ツールとして使用できるだけでなく、疾患に関連する異常な細胞集団を分類する診断ツールとしても使用できる。現代のフローサイトメーターは、同時に数万の細胞を迅速に分析し、同時に単一の細胞から複数のパラメータを測定できる。しかし, フローサイトメトリーの急速な発展により, 従来の解析手法ではフローサイトメトリーデータの解釈が困難になっている。何百万もの細胞から収集された多次元データの中で、興味深い細胞集団を手動で識別できる必要がある。したがって、フローサイトメトリーデータを自動的に解析する堅牢なアプローチ、特に細胞集団を自動同定するためには、必要不可欠である。この論文は主に、実際のデータセットと合成データセットの両方において、現在の自動ゲーティングアルゴリズムの潜在的な欠点を発見する。 3つの代表的な自動クラスタリングアルゴリズムが選択され、完全に部分的に自動ゲーティングによって適用、比較、評価される。この論文ではサブスペースクラスタリングのProClusも実装された。フローサイトメトリーにおけるProClusの性能は良くないが、それでもノイズを検出するための有用なアルゴリズムである。

関連論文リスト

MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
論文参考訳（メタデータ） (2024-02-28T15:01:59Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Unsupervised high-throughput segmentation of cells and cell nuclei in quantitative phase images [7.933456209708723]
ノイズや反射を細胞と混同することなく正確にセグメント化できる教師なしマルチステージ手法を提案する。このセグメンテーションは, 患者試料に対して, 細胞解析時間当たりの妥当な測定結果として, 常に良好な結果をもたらすことを示した。
論文参考訳（メタデータ） (2023-11-24T18:12:06Z)
Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文参考訳（メタデータ） (2023-10-23T13:35:24Z)
Tree-Based Learning on Amperometric Time Series Data Demonstrates High Accuracy for Classification [0.0]
計算科学におけるデータ駆動型アプローチを用いて,多様なアンペロメトリデータセットに対する分類法を提案する。非常に高い予測精度(95%以上)を示す。これは機械学習のスキームを提案し、特にフルアンペロメトリ時系列データに基づく教師あり学習を提案する最初の研究の1つである。
論文参考訳（メタデータ） (2023-02-06T09:44:53Z)
A biology-driven deep generative model for cell-type annotation in cytometry [0.0]
Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。 Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
論文参考訳（メタデータ） (2022-08-11T10:50:44Z)
Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文参考訳（メタデータ） (2022-01-18T21:40:36Z)
Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文参考訳（メタデータ） (2021-08-23T12:06:00Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。