Methods for Algorithmic Determination of Cellular Immunophenotype
Postupy algoritmického určení beněčného imunofenotypu
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/210289Identifikátory
SIS: 290836
Kolekce
- Kvalifikační práce [22301]
Autor
Vedoucí práce
Oponent práce
Kratochvíl, Miroslav
Fakulta / součást
Přírodovědecká fakulta
Obor
Bioinformatika
Katedra / ústav / klinika
Katedra buněčné biologie
Datum obhajoby
16. 6. 2026
Nakladatel
Univerzita Karlova, Přírodovědecká fakultaJazyk
Angličtina
Známka
Velmi dobře
Klíčová slova (česky)
Průtoková cytometrie, Imunofenotypizace, Automatická analýza dat z průtokové cytometrieKlíčová slova (anglicky)
Flow cytometry, Immunophenotyping, Automatic flow cytometry data analysisPrůtoková cytometrie je technologie používaná na analýzu buněk. Má širokou škálu klinických aplikací, například v imunologii, nádorové biologii a monitorování onemocnění. V současnosti jsou data z průtokové cytometrie stále často analyzována manuálně. Avšak rostoucí komplexita těchto dat vyžaduje efektivnější algoritmická řešení. Tato bakalářská práce poskytuje přehled přístupů schopných automaticky určit buněčný imunofenotyp. V práci je popsáno šest vybraných metod. Mezi ně patří CytoPheno, Marker Enrichment Modelling, Kolmogorov- Smirnovův test, Earth Mover's Distance, klasifikace založená na šablonách a přístupy strojového učení. Klasifikace založená na šablonách a algoritmy strojového učení jsou nejvhodnější pro samostatnou identifikaci buněčných typů. Automatická imunofenotypizace stále není široce používaná v klinické praxi, protože tyto algoritmy stále čelí určitým omezením. Další výzkum a zlepšení v této oblasti mohou vést k širšímu přijetí těchto nástrojů.
Flow cytometry is a technology used for cell analysis. It has a wide variety of clinical applications, including immunology, cancer biology, and disease monitoring. Nowadays, flow cytometry data are still often analysed manually. However, the increasing complexity of these data calls for more effective algorithmic solutions. This thesis provides a review of approaches capable of automatically determining cellular immunophenotype. Six selected methods for automatic immunophenotyping are described. These include CytoPheno, Marker Enrichment Modelling, Kolmogorov-Smirnov test, Earth Mover's Distance, template-based classification and machine learning approaches. Template-based classification and machine learning algorithms are the most suitable for standalone identification of cell types. Automatic immunophenotyping is still not widely used in clinical settings, since these algorithms still face some limitations. Further research and improvements in this field may bring broader adoption of these tools.
