Детальная информация

Цель данной работы — с помощью методов машинного обучения построить на основе имеющихся данных эффективную модель классификации колоний плюрипотентных стволовых клеток человека, позволяющую определить фенотип колонии («хороший» или «плохой»), используя морфологические параметры в качестве предикторов. В ходе работы были рассмотрены различные методы бинарной классификации объектов по числовым признакам и проведено сравнение качества их работы на клеточных и колониальных морфологических данных. После этого был проведен анализ методов отбора признаков и исследовано влияние их применения на качество работы моделей. В итоге были получены оптимальные модели классификации морфологии колоний с кросс-валидационной точностью 68.11% и 76.10% для клеточных и колониальных данных соответственно. Кроме того, были построены модели, использующие в качестве предикторов комбинацию клеточных и колониальных параметров. Оптимальная модель достигает качества классификации 98.28%, что показывает высокую эффективность совместного использования данных о морфологии колонии и клеток внутри нее для определения фенотипа колонии. Таким образом, была проиллюстрирована взаимосвязь морфологии колоний и клеток с фенотипом растущих колоний и предложены классификаторы, позволяющие автоматически определять качество колоний плюрипотентных стволовых клеток человека.

The aim of this work is to use machine learning methods to construct, based on the available data, an effective model for classification of human pluripotent stem cell colonies, which allows to determine the colony phenotype (“good” or “bad”) using morphological parameters as predictors. In the course of the work, various methods of binary classification of objects by numerical characteristics were considered and the quality of their work was compared on cellular and colonial morphological data. After that, the analysis of feature selection methods was carried out and the effect of their application on the quality of the models was investigated. As a result, optimal colony morphology classification models were obtained with cross-validation accuracy of 68.11% and 76.10% for cellular and colony data, respectively. In addition, models were constructed using a combination of cellular and colonial parameters as predictors. The optimal model achieves a classification quality 98.28%, that shows the high efficiency of combining data on the morphology of the colony and cells inside it to determine the phenotype of the colony. Thus, the relationship between the morphology of colonies and cells with the phenotype of growing colonies was illustrated and classifiers were proposed to automatically determine the quality of colonies of human pluripotent stem cells.