Método de clasificación de información digital

Resumen

Un método implementado por ordenador para agrupar en grupos eventos presentes en una muestra (1), tal como una muestra biológica y/o una mezcla de partículas no biológicas funcionalizadas, y para clasificar dichos grupos, en donde cada evento es un elemento detectado por medio de hardware (2) y/o software (3), como partículas, preferiblemente células, orgánulos, vesículas, virus y/o esferas, cada evento estando caracterizado por un conjunto multidimensional de parámetros (4) obtenidos mediante dicho hardware (2) y/o software (3), en donde los valores de los parámetros (4) asociados a cada evento definen las coordenadas de posición de dicho evento en un espacio multidimensional, comprendiendo el método las siguientes etapas:

a) agrupar los eventos en grupos, comprendiendo:

a1) determinar la densidad de cada evento, y

a2) conectar cada evento con su evento vecino más cercano que sea más denso que él, de entre los K eventos vecinos más cercanos a dicho evento en el espacio multidimensional, siendo K un número natural predefinido, de manera que los eventos conectados entre sí forman un grupo, y en donde en caso de no encontrar un evento más denso dentro de los K eventos vecinos más cercanos, se forma un grupo con los eventos que se han ido conectando y se continúa llevando a cabo la etapa a2) con otro evento para empezar a formar un nuevo grupo;

b) comprobar si dentro de cada grupo formado existe alguna conexión entre eventos que supere un umbral de distancia máxima, estando dicho umbral de distancia máxima establecido en base a las conexiones entre eventos del propio grupo y, en caso de que alguna conexión entre eventos supere dicho umbral de distancia máxima, desconectar esos eventos, generando dos subgrupos por cada par de eventos que se desconectan;

c) calcular la afinidad entre cada par de grupos de la muestra resultantes de la etapa anterior, en donde la afinidad entre dos grupos de la muestra se calcula en base al número de pares de eventos vecinos que verifican que:

(i) uno de los eventos del par de eventos vecinos es uno de los K_af eventos vecinos más cercanos al otro evento del par de eventos vecinos y

(ii) en los que uno de los eventos del par de eventos vecinos forma parte de uno de dichos dos grupos y el otro evento del par de eventos vecinos forma parte del otro de dichos dos grupos,

y en base a las distancias entre dichos eventos, siendo K_af un número natural predefinido; y unir los dos grupos de la muestra cuando la afinidad entre dichos grupos supere un umbral mínimo de afinidad preestablecido;

d) comparar cada grupo de la muestra con al menos un grupo de referencia almacenado en al menos una base de datos (5) para identificar automáticamente la población presente en la muestra, en donde cada grupo de referencia corresponde a una población específica, en donde la comparación comprende:

reducir la dimensionalidad de los datos del grupo de la muestra junto con los datos del grupo de referencia hasta obtener una representación bidimensional de ambos grupos, y

determinar para cada representación bidimensional las medianas y las curvas de desviación de los grupos de referencia; y

e) clasificar los grupos de la muestra en base a las comparaciones con los grupos de referencia, empleando como criterio de clasificación la pertenencia de la mediana del grupo de la muestra y/o la pertenencia de un porcentaje mínimo de eventos del grupo de la muestra a las curvas de desviación de los grupos de referencia de la base de datos (5).