تزداد تكلفة تخزين وتدقيق وإعادة استخدام بيانات الخلايا الفردية مع تزايد الاعتماد على تقنيات التعلم الآلي والذكاء الاصطناعي. تهدف الدراسات الحديثة إلى تحسين هذا الجانب من خلال تطوير أساليب جديدة للتصفية والنتيجة التي يحققها الباحثون تشير إلى توجه مثير. في دراستهم، طرح فريق من الباحثين أسلوبًا مبتكرًا لحل مشكلة تحويل بيانات الخلايا الفردية إلى مجموعات بيانات مضغوطة قابلة للاستخدام.

تقنية تحويل البيانات التي يشير إليها الباحثون تتضمن الاحتفاظ بهويات الخلايا الأصلية ورموز الجينات ضمن ميزانيات ثابتة للخلايا والجينات. من خلال هذا النهج، تبقى مجموعة التدريب مرتبطة بالعدادات المقاسة والعلامات والبيانات الوصفية للاختبارات، مما يتيح التحقق من التنبؤات المفاجئة التي قد تظهر في المستقبل.

قدّم الباحثون طريقتين للاختيار من الخلايا الأصلية. الأولى تُعرف باسم Fixed-CF والتي تستخدم مطابقة ثابتة للوظيفة المميزة، بينما الثانية تُعرف بـ Minmax-CF التي تحل مشكلة مينيماكس المتقطعة المنظمة بالانتروبيا. النتائج تُظهر أن Minmax-CF حافظ على دقة متوازنة بلغت 96.52% على بيانات MS، وأظهرت أيضًا تقدمًا ملحوظًا في سرعة المعالجة.

تؤكد هذه الدراسة على الحاجة إلى أساليب أكثر كفاءة وموثوقية في التعامل مع البيانات الضخمة والبقاء على اتصال مع البيانات الأصلية لتقليل الأخطاء وضمان دقة التنبؤات، الأمر الذي يعد مفتاحًا لتحقيق نتائج موثوقة في مجالات الأبحاث ويعزز من إمكانية إعادة استخدام البيانات.