ارائه يك روش خودرمزگذار چند مقياسي جهت بهبود خوشه بندي و تحليل داده هاي سلول-منفرد

مقدمه:  تحليل داده‌هاي سلول-منفرد نقش بسزايي در فهم پيچيدگي‌هاي عملكرد سلول‌ها ايفا مي‌كند. تحليل اين داده‌ها با چالش‌هايي مانند كاهش ابعاد ناكارآمد و خوشه‌بندي نامطلوب مواجه هستند. هدف اين مقاله ارائه روشي است كه ضمن افزايش كيفيت بازسازي و كاهش ابعاد داده ها، خوشه بندي داده هاي سلول-منفرد را بهبود بخشد.روش كار: در اين مطالعه يك روش جديد به نام (Single-cell Analysis using Multi-Scale autoencoder) SAMS  ارائه مي شود كه از يك مدل خود رمزگذار چندمقياسي براي بهبود چالش‌هاي موجود در تحليل داده‌هاي سلول-منفرد بهره مي‌برد. روش پيشنهادي SAMS شامل سه مرحله اصلي است: (1) پيش‌پردازش و نرمال‌سازي داده ها، (2) استفاده از مدل شبكه عصبي عميق براي بازسازي و كاهش ابعاد داده‌ها به كمك خودرمزگذار چندمقياسي و (3) خوشه‌بندي داده‌هاي كاهش‌يافته با استفاده از الگوريتم K-means براي ارزيابي عملكرد روش پيشنهادي.يافته‌ها: روش پيشنهادي SAMS با استفاده از زبان پايتون پياده سازي شده و نتايج به ‌دست آمده بر روي مجموعه داده هاي سلول-منفرد  نشان مي‌دهد كه SAMS مي تواند سلول ها را با كيفيت بالايي در يك فضاي دو بُعدي با ميانگين نرخ 89% = NNE نمايش دهد كه نشان دهنده حفظ مناسب ساختار داده ها است. همچنين، شاخص هاي سيلوئت و ديويس-بولدين در ارزيابي دقت خوشه‌بندي، نشان مي دهد كه روش پيشنهادي به ترتيب با ميانگين 0.66 و 0.50 توانسته بهبود خوبي را در خوشه بندي سلول ها ايجاد كند.نتيجه‌گيري: روش پيشنهادي SAMS با تركيب مدل خودرمزگذار چندمقياسي و الگوريتم  K-meansتوانسته نتايج بهتري نسبت به روش‌هاي پيشين به دست آورد. به‌كارگيري SAMS در تحليل داده‌هاي سلول-منفرد مي‌تواند به پژوهشگران در درك بهتر عملكرد سلول‌ها و كشف الگوهاي جديد كمك كند.