Back to search

National and Kapodistrian University of Athens

MLscAN A flexible tool for single-cell data analysis pipelines and model selection using unsupervised machine learning methods

Abstract

dc:description

Οι τεχνολογίες single-cell RNA-seq (scRNA-seq) μας παρέχουν τη δυνατότητα να ανιχνεύσουμε τη γονιδιακή έκφραση μιας δεδομένης στιγμής με μεγάλη διακριτική ικανότητα, μέχρι και το κυτταρικό επίπεδο. Ένα από τα ερευνητικά πεδία όπου εξώθησε η συγκεκριμένη τεχνολογία είναι η αναπτυξιακή βιολογία και η μελέτη της ρύθμισης των αναπτυξιακών σταδίων. Αντίστοιχα αλματώδης είναι η βελτίωση στην μελέτη των ετερογενών καρκινικών τύπων. Συγκεκριμένα, η εξαγωγή των τροχιών μεταξύ των κυτταρικών τύπων οδηγεί στην αναπαράσταση ενός εποπτικού επιγενετικού τοπίου μιας βιολογικής διεργασίας, που οδηγείται από τα δεδομένα. Έχουν προταθεί πολλές μέθοδοι ΤΙ στη βιβλιογραφία, αλλά λίγες από αυτές παρέχουν μια μη εποπτευόμενη πιθανοτική και αμερόληπτη προσέγγιση μηχανικής μάθησης. Το MLscAN (Machine Learning for Single-Cell Analytics, Μηχανική μάθηση για ανάλυση Μονήρων Κυττάρων) είναι ένα πακέτο R που αναπτύχθηκε στο Πανεπιστήμιο Αθηνών για τη μη εποπτευόμενη ανάλυση μηχανικής μάθησης δεδομένων scRNA-seq που βασίζεται σε μοντέλα μείξης κατανομών Gauss. Το MLscAN αναγνωρίζει τις κυτταρικές καταστάσεις που αντιπροσωπεύονται σε ένα σύνολο δεδομένων scRNA-seq και τις πιθανές αλληλεπιδράσεις μεταξύ τους χωρίς να απαιτεί κάποια πρότερη γνώση. Ένα διακριτικό χαρακτηριστικό του είναι ότι χωρίζει επίσης τις μεταβάσεις από κατάσταση σε κατάσταση σε διαδοχικές φάσεις (μικρο-καταστάσεις), προσδιορίζει τα βασικά γονίδια που διέπουν τη κάθε μετάβαση και ανακατασκευάζει τα γενετικά ρυθμιστικά δίκτυα γονιδίων (GRNs) που διέπουν τους υποκείμενους βιολογικούς μηχανισμούς της μετάβασης. Η ανάλυση είναι πλήρως αυτοματοποιημένη και η μόνη απαιτούμενη είσοδος στο πακέτο είναι ο πίνακας προεπεξεργασμένης γονιδιακής έκφρασης. Ωστόσο, ένας προχωρημένος χρήστης μπορεί να παρέμβει σε κάθε βήμα της ανάλυσης προσθέτοντας οποιαδήποτε διαθέσιμη γνώση, ενσωματώνοντας τους δικούς του εναλλακτικούς αλγορίθμους, ή ρυθμίζοντας χειροκίνητα παραμέτρους του κάθε σταδίου. Το MLscAN δίνει έμφαση στην ευέλικτη εξερεύνηση του χώρου των πιθανών μοντέλων, προσδιορίζοντας τα απλούστερα μοντέλα που «ταιριάζουν καλύτερα» στα δεδομένα και παρέχοντας πληθώρα πληροφοριών μέσω προηγμένων οπτικοποιήσεων που παράγει αυτόματα σε κάθε βήμα της ανάλυσης. Οι κύριοι στόχοι αυτής της έρευνας ήταν η βελτίωση της ευελιξίας, της επεκτασιμότητας και της ευρωστίας του πακέτου MLscAN, με έμφαση στην εξερεύνηση μοντέλων. Εισήχθησαν νέες μέθοδοι και δυνατότητες, εμπλουτίστηκαν οι προϋπάρχουσες επιλογές και βαθμονομήθηκαν οι προεπιλεγμένες παράμετροι. Ένας δεύτερος στόχος ήταν η δημιουργία ενός αντιπροσωπευτικού σεναρίου χρήσης για να επιδειχθεί με βάση ενα γνωστό σύνολο δεδομένων μεγάλου μεγέθους η χρησιμότητα των προσθηκών και βελτιώσεων που εισήχθησαν. Ο τελικός στόχος ήταν η αξιολόγηση του MLscAN σε σχέση με τις πλεον πρόσφατες μεθόδους αναγνώρισης τροχιών (TI) στη διαθνή βιβλιογραφία, όπου το MLscAN αποδείχθηκε ότι προσφέρει μια πολύ ανταγωνιστική εναλλακτική προσέγγιση.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Χατζηγεωργίου Αρσένιος
  • Chatzigeorgiou Arsenios

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:2958920

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Χατζηγεωργίου Αρσένιος; Chatzigeorgiou Arsenios. MLscAN A flexible tool for single-cell data analysis pipelines and model selection using unsupervised machine learning methods. 2021. https://pergamos.lib.uoa.gr/uoa/dl/object/2958920