Optimalizace a aplikace nelineárního spektrálního unmixingu v průtokové cytometrii

Abstract

Recent advances in flow cytometry techniques enable high-throughput single-cell experiments with extensive marker sets. In order to leverage this technology the measured signal must be unmixed to recover interpretable re- sults. Current approaches to unmixing typically leverage linear deconvolution algorithms such as fitting by ordinary least squares method, that tend have issues dealing with various noise sources inherit to the data collection pro- cess. This thesis evaluates the performance of a novel non-linear approach of unmixing called nougad. For the evaluation, we have generated realistic arti- ficial data with known ground truth for testing, implemented multi-threaded version of nougad and tuned its hyperparameters using Bayesian optimiza- tion, and collected several performance metrics of nougad and the other algorithms on the testing datasets. The results show that nougad is able to outperform the tested linear algorithms making this non-linear method more suitable for practical applications and a good candidate for further refinement and optimization efforts. 1

Pokroky v oblasti prtokové cytometrie umoují její vyuití pro high-througput zpracování single-cell vzork a mení relativn velkého mnoství odliných marker. Pro efektivní vyuití této technologie je ale nezbytné unmixovat zmená bunná spektra a tím se zptn dobrat interpretovatelných výsledk. K eení unmixo- vacího problému se v souasnosti typicky vyuívají lineární dekonvoluní algo- ritmy, jak napíklad metoda nejmeních tverc, které ale mají problémy s opti- málním zpracováním variabilních zdroj umu pi mení vzorku. Cílem této práce je porovnat novou nelinearní unmixovací metodu nougad, která vyuíva algo- ritmus graidentního sestupu. Pro objektivní porovnání metod jsme vytvoili model, který generuje realistická data se známou 'pravdou', naimplemento- vali paralelizovanou verzi algoritmu nougad a Bayesovsky zoptimalizovali pís- luné hyperparametry. Algoritmy jsme porovnali prostednitvím nkolik rzných metrik. Ze srovnání jasn vyplívá, e nougad typicky podává lepí výsledky ne testované lineární algoritmy. Nougad se tedy zdá být lepí volbou pro praktické vyuití a zárove slibným kandidátem pro dalí optimalizaci a vývoj. 1