دسته‌بندي انواع سلولي با بهره‌گيري از رويكردهاي تعميم‌پذيري در يادگيري ماشين

توالي‌‌يابي RNA تك‌سلولي (scRNA-seq) با امكان استخراج پروفايل بيان ژن هر سلول به‌طور منفرد، دريچه‌اي نوين به ناهمگوني و عملكرد سلولي گشوده است و به‌عنوان نقطه‌ عطفي در مطالعات زيست‌پزشكي و توسعه درمان‌هاي شخصي‌سازي‌شده مطرح مي‌شود. شناسايي نوع هر سلول و دسته‌بندي دقيق سلول‌ها يكي از مراحل كليدي در تحليل اين داده‌هاست كه امكان آناليزهاي پايين‌دست بعدي را فراهم مي‌سازد. بااين‌حال، روش‌هاي موجود كه عمدتاً بر خوشه‌بندي داده‌هاي با ابعاد پايين و برچسب‌گذاري دستي متكي‌اند، به دليل رشد روزافزون اين داده‌ها ناكارآمد بوده و خودكارسازي اين فرايند در سال‌هاي اخير مورد توجه قرار گرفته‌ است. از طرف ديگر، شرايط ويژه داده‌هاي scRNA-seq عملكرد يكسان مدل‌هاي خودكار را بر روي مجموعه‌داده‌هاي مختلف با چالش روبه‌رو كرده است. اين عدم تعميم‌پذيري مانع از كاربرد گسترده و قابل ‌اتكا شدن نتايج در پژوهش‌ها و مراحل پيش‌باليني مي‌شود. در اين پژوهش، به‌منظور غلبه بر عدم تعميم‌پذيري مدل‌هاي موجود در شناسايي و تخصيص نوع سلول، مدل چندنمايي scMGSH (Single-cell Multi-view Learning Based on Geneformer, scVI an‎d Highly Variable Gene selec‎tion) معرفي مي‌شود. اين مدل با استخراج بردارهاي تعبيه از مدل‌هاي Geneformer و scVI و همچنين انتخاب ژن‌هاي با تغييرپذيري بالا، نماهاي متنوعي از هر سلول را فراهم مي‌سازد. سپس با استفاده از لايه‌هاي نگاشت و به‌كارگيري تابع هزينه متضاد، تمامي نماها را در يك فضاي پنهان مشترك هم‌تراز كرده و نماهاي متعلق به يك سلول را به هم نزديك مي‌سازد. در گام بعد، ماژول توجه‌ به ‌خود چندگانه با وزن‌دهي پويا به نماها، متناسب با شرايط هر نوع سلولي، آن‌ها را در يك بردار واحد ادغام مي‌كند. در نهايت، بازنمايي حاصل از اين فرايند وارد يك دسته‌بند تركيب متخصصان با مكانيسم انتخاب k متخصص برتر و قابليت توزيع بار شده و پيش‌بيني نوع سلول را با دقت به انجام مي‌رساند. براي سنجش قابليت تعميم‌پذيري مدل scMGSH، آزمايش‌هاي ارزيابي بر روي مجموعه‌داده‌اي بسيار جامع شامل تقريباً 100٬000 سلول انجام شد. اين مجموعه‌داده از 156 مطالعه مجزا و نزديك به 1500 اهداكننده جمع‌آوري شده و دربرگيرنده 50 نوع سلولي از 37 بافت مختلف، شرايط بيولوژيك سالم و حدود 60 بيماري متفاوت است. همچنين به‌منظور ارزيابي تعميم‌پذير بودن مدل بر روي داده‌هاي حاصل از اهداكنندگان مختلف، تمامي نمونه‌هاي مربوط به هر اهداكننده يا به‌طور كامل در مجموعه آموزش و يا به‌طور كامل در مجموعه آزمون قرار گرفتند. نتايج نشان مي‌دهند كه scMGSH نه‌تنها در مقايسه با هر يك از نماهاي ورودي از نظر معيارهاي استاندارد دسته‌بندي مانند دقت، صحت و امتياز F1 عملكرد بهتري ارائه مي‌دهد، بلكه هنگام مقايسه با روش‌هاي مرجع معرفي‌شده در سال‌هاي اخير كه متكي بر شيوه‌هاي پيشرفته يادگيري عميق و تكنيك‌هاي نوين هوش مصنوعي هستند نيز نتايج بهتر و قابل‌اتكايي را از خود نشان مي‌دهد.

235984

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان