Empirical Factors Affecting the Quality of Non-Negative Matrix Factorization of Mammalian Cell Raman Spectra
Notice bibliographique
Résumé
Mammalian cells contain various macromolecules that can be investigated non-invasively with Raman spectroscopy. The particular mixture of major macromolecules present in a cell being probed are reflected in the measured Raman spectra. Determining macromolecular identities and estimating their concentrations from these mixture Raman spectra can distinguish cell types and otherwise enable biological research. However, the application of canonical multivariate methods, such as principal component analysis (PCA), to perform spectral unmixing yields mathematical solutions that can be difficult to interpret. Non-negative matrix factorization (NNMF) improves the interpretability of unmixed macromolecular components, but can be difficult to apply because ambiguities produced by overlapping Raman bands permit multiple solutions. Furthermore, theoretically sound methods can be difficult to implement in practice. Here we examined the effects of a number of empirical approaches on the quality of NNMF results. These approaches were evaluated on simulated mammalian cell Raman hyperspectra and the results were used to develop an enhanced procedure for implementing NNMF. We demonstrated the utility of this procedure using a Raman hyperspectral data set measured from human islet cells to recover the spectra of insulin and glucagon. This was compared to the relatively inferior PCA of these data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».