Name: 促进免疫学数据分析与视觉分析技术 (视频) | JoVE Journal
Uploaded: 2011-01-02T17:00:00.000+00:00
Duration: 10 min 58 s
Description: 学习使用可视化分析技术处理免疫学大数据，通过Tableau工具快速识别数据模式与趋势。该方法帮助研究人员高效分析复杂数据集并生成假设。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

我们感谢温哥华视觉分析研究所（Vancouver Institute of Visual Analytics，VIVA）的成员为本项目提供的意见和建议。特别感谢John Dill、Brian Fisher和David Darvill。我们还要感谢Kollmann实验室的成员给予的支持和有益讨论。本研究部分得到了美国国家过敏与传染病研究所（National Institute of Allergy and Infectious Diseases）、美国国立卫生研究院（National Institute of Health）资助项目N01 AI50023、AllerGen NCE资助项目07-A1A和07-B2B，以及迈克尔·史密斯健康研究基金会（Michael Smith Foundation for Health Research）的支持。T.R.K.的部分经费来自伯勒斯·威康基金（Burroughs Wellcome Fund）生物医学科学职业奖，以及加拿大卫生研究院培训资助（Canadian Institutes for Health Research Training Grant）在加拿大儿童健康临床科学家项目中的支持，该项目与病童基金会（Sick-Kids Foundation）、儿童与家庭研究所（British Columbia）、妇女与儿童健康研究所（Alberta）和马尼托巴儿童健康研究所合作开展。

1. 基于探索的 Tableau 分析
<ol>
<li>您有一个数据集，并希望探索数据中各列之间的各种关系。
<ol>
<li>（图1）通过点击“连接到数据”导入数据集。选择数据源类型，并按照说明导入您的数据集。</li>
<li>（图1）确保维度区域包含数据集中的分类变量列，而度量区域包含数值型变量列。有时，如受试者标识符等维度列若以数字形式表示，可能会被列为度量。此时可通过右键单击该列并选择“转换为维度”进行更正。在图1中，数据集中的分类变量列（如刺激物浓度水平和受试者标识符）已正确放置在维度区域，细胞因子的观测浓度已正确放置在度量区域。</li>
<li>（图2）在分析过程中，若需要创建计算字段，只需在维度或度量区域中右键单击，然后选择“创建计算字段”。在公式框中输入计算表达式，将字段与函数或数学运算组合。图2展示了如何通过聚合PFD2、PFD3和PFD4的值创建一个名为PFD &gt; 2的新字段。</li>
<li>（图3）在Tableau中生成二维图表，通常使用一个维度和一个感兴趣的度量。由于界面支持简单的拖放操作，维度和度量的选择可轻松更改。通常将维度放置在列区域，度量放置在行区域。在图3中，维度区域包含刺激物浓度水平，度量区域包含细胞因子的观测浓度水平。</li>
<li>（图3）若需根据某一特定维度对可视化结果进行区分，可将该维度标签放入文本、颜色或大小区域，具体取决于该维度的性质。文本区域通过所选维度提供的文本信息对数据进行标注以实现区分；颜色和大小区域则会自动通过颜色和大小对数据进行区分，并可通过各区域底部的滚动条进行调整。在图3中，将基因型放入颜色区域，可使三种基因型以不同颜色区分开来。</li>
<li>（图3）可通过将特定维度的标签拖入筛选器区域，对可视化结果按该维度的变量进行筛选。此时将弹出一个窗口，列出可供选择的值，仅选中的值会保留在可视化结果中。</li>
<li>（图4）可将多个维度或度量组合，生成可视化的矩阵。方法是将多个维度拖入列区域，多个度量拖入行区域。图4展示了一个示例，通过在列区域中放置两个不同的维度，生成了一个两列的可视化矩阵。</li>
<li>若要生成类似的可视化图表，可在左下角右键单击当前工作表，然后选择“复制工作表”。</li>
<li>重复分析过程，以识别可能有助于您生成新假设的有趣趋势或异常值。</li>
</ol>
</li>
<li>您有多个来自相同来源的数据集，并希望探索这些数据集之间的潜在关联。
<ol>
<li>将多个数据集置于同一数据源中，例如将两个电子表格放入同一工作簿，以便Tableau通过同一连接访问这些数据集。</li>
<li>（图5）通过关键值的逻辑连接将数据集关联起来，确保选择多个数据集中相同的维度。在图5中，用于连接的五个关键值为：细胞类型、刺激物浓度水平、阶段或组别、刺激物和受试者标识符。</li>
<li>执行与第1.1节类似的分析。</li>
</ol>
</li>
</ol>
2. 基于演示的需求
<ol>
<li>您已了解数据之间的关系，但希望快速生成一系列可视化图表以用于演示。
<ol>
<li>按照第 1.1 节中所述的方案操作，并对可视化图表进行相应标注。</li>
<li>使用 Tableau 中的导出功能生成可视化图表的图像。</li>
</ol>
</li>
<li>您已在 Tableau 工作簿中创建了一组强大的可视化图表，并希望与他人共享该工作簿。
<ol>
<li>将工作簿另存为 Tableau 打包工作簿，并共享此文件。</li>
<li>未安装 Tableau Desktop 的同事可下载 Tableau Reader 以打开该打包工作簿。Tableau Reader 可让您的同事与您创建的可视化图表进行交互。</li>
</ol>
</li>
</ol>
3. 代表性结果

 <img src="/files/ftp_upload/2397/2397fig1.jpg" alt="Tableau 界面示意图；数据连接、维度、度量、分类与数值设置。" data-altupdatedat="1788235205000" data-alt="图1"> 
图1. 从 Excel 文件 demo.xls 中导入名为 NFKBIA 的电子表格后，Tableau 的界面截图。维度和度量区域已分别正确填入分类数据和数值数据。
 <img src="/files/ftp_upload/2397/2397fig2.jpg" alt="计算字段设置；公式与函数列表；数据分析配置。" data-altupdatedat="1788235205000" data-alt="图 2"> 
图 2. 调用“计算字段”窗口以创建可在 Tableau 中使用的特殊计算字段。左下角的列表有助于识别可能的字段，右侧列表则包含可在公式中使用的函数缩写。在此示例中，我们希望将 PFD4、PFD3 和 PFD2 的数值相加以获得最终值，该值我们称为 PFD &gt; 2
 <img src="/files/ftp_upload/2397/2397fig3.jpg" alt="Tableau 数据可视化流程，浓度与基因型的折线图，展示用于数据分析的筛选和标记应用。" data-altupdatedat="1788235205000" data-alt="Figure 3"> 
图 3. 刺激物浓度水平与观察到的细胞因子浓度的可视化图示。该图展示了在先天免疫研究中，不同个体对刺激物 3M-002 的各种浓度水平所对应的细胞因子 TNF-α 观测浓度的变化。线条颜色代表个体在 NFKBIA 基因单核苷酸多态性位点上的不同基因型。
 <img src="/files/ftp_upload/2397/2397fig4.jpg" alt="双列数据可视化矩阵，Tableau 软件中显示刺激物与浓度关系的折线图。" data-altupdatedat="1788235205000" data-alt="图 4"> 
图 4. 双列可视化矩阵的截图。我们生成了一个双列矩阵，以方便并排比较对两种刺激物 3M-003 和 LPS 的反应。x 轴表示两种刺激物的不同浓度水平，y 轴表示计算字段 PFD &gt; 2 的数值。
 <img src="/files/ftp_upload/2397/2397fig5.jpg" alt="Excel 工作簿连接教程，展示界面中多个表格的添加及连接子句。" data-altupdatedat="1788235205000" data-alt="图 5"> 
图 5. 这些 Tableau 对话窗口展示了如何连接记录在不同电子表格中的数据。通过使用关键值的逻辑连接子句合并这些电子表格，即可实现不同电子表格间的数据连接。

<table border="1">
<tbody>
 <tr>
 <td> </td>
 <td colspan="10">可视化与分析工具</td>
 </tr>
 <tr>
 <td>功能</td>
 <td>Tableau</td>
 <td>VIS-STAMP</td>
 <td>xmdvtool</td>
 <td>GGobi</td>
 <td>Starlight</td>
 <td>Gapminder</td>
 <td>Visulab</td>
 <td>InfoVis Toolkit</td>
 <td>Geotime</td>
 <td>Inspire</td>
 </tr>
 <tr>
 <td>平行坐标图</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 </tr>
 <tr>
 <td>散点图矩阵</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 </tr>
 <tr>
 <td>降维分析</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 </tr>
 <tr>
 <td>时间维度</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 </tr>
 <tr>
 <td>地理空间维度</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 </tr>
 <tr>
 <td>文本挖掘</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 </tr>
 <tr>
 <td>数据的直接操作</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 </tr>
 <tr>
 <td>过滤功能</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 </tr>
 <tr>
 <td>可扩展至其他平台（例如 R）</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 </tr>
 <tr>
 <td>CSV 表格格式</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 </tr>
 <tr>
 <td>XML 数据格式</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>否</td>
 </tr>
 <tr>
 <td>可处理 10000 行以上数据</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 </tr>
 <tr>
 <td>文档支持</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 <td>是</td>
 </tr>
 <tr>
 <td>商业产品</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>否</td>
 <td>否</td>
 <td>否</td>
 <td>是</td>
 <td>是</td>
 </tr>
</tbody>
</table>
表1. 可视化分析工具及其部分功能列表。

<ol><li>Thomas, J., Cook, K. Illuminating the Path: The Research and Development Agenda for Visual Analytics. , IEEE CS Press. (2005).</li>
<li>Steed, C., Swan, J., Jankun-Kelly, T., Fitzpatrick, P. Guided Analysis of Hurricane Trends Using Statistical Processes Integrated with Interactive Parallel Coordinates. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSteed%2C+C+%22IEEE+Symposium+on+Visual+Analytics+Science+and+Technology%22">IEEE Symposium on Visual Analytics Science and Technology</a>. , IEEE. Atlantic City. 19-26 (2009).</li>
<li>Saraiya, P., North, C., Lam, V., Duca, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+Insight-Based+Longitudinal+Study+of+Visual+Analytics%5BTitle%5D)+AND+%22IEEE+Transactions+on+Visualization+and+Computer+Graphics%22%5BJournal%5D)">An Insight-Based Longitudinal Study of Visual Analytics.</a> IEEE Transactions on Visualization and Computer Graphics. 12, 1511-1522 (2006).</li>
<li>Kollmann, T. R., Crabtree, J., Rein-Weston, A., Blimkie, D., Thommai, F., Wang, X. Y., Lavoie, P. M., Furlong, J., Fortuno, E. S. 3rd, Hajjar, A. M., Hawkins, N. R., Self, S. G., Wilson, C. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neonatal+innate+TLR-mediated+responses+are+distinct+from+those+of+adults%5BTitle%5D)+AND+%22J.+Immunol%22%5BJournal%5D)">Neonatal innate TLR-mediated responses are distinct from those of adults.</a> J. Immunol. 183, 7150-7160 (2009).</li>
</ol>

无利益冲突声明。

现代生物医学研究中高通量技术的出现导致研究数据呈爆炸式增长，亟需更高效的数据分析方法。可视化分析（Visual analytics, VA）是一门借助交互式可视化界面促进分析推理的科学（1）。与传统上依赖计算机检测模式的方法不同，可视化分析将分析能力重新交还给人类分析者。该方法已应用于国防研究（1）和飓风趋势分析（2）等多个领域的研究。迄今为止，在生物学领域中应用可视化分析的实例仍为数不多（3）。本视频文章展示了可视化分析可作为生物学家分析工具库中的一项有力补充。目前已有多种可视化分析软件可供选择，涵盖学术实验室开发中的工具以及商业化产品。在我们针对新生儿先天免疫的研究中（4），由于实验室中常用的数据格式为电子表格形式，因此我们选择了Tableau软件。其他可视化分析工具可能更适合不同类型的生物数据，其中部分工具已在本视频文章中提及。我们在表1中列出了若干较受欢迎的可视化分析工具的功能与特点。该列表并非穷尽所有可用工具，因超出本研究范围，但可为科研人员根据其特定数据集选择合适的可视化分析工具提供一个良好的起点。
关于可视化分析（VA），我们希望强调两个主要要点。第一，VA 方法旨...

借助可视化分析技术促进免疫学数据分析

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

可视化分析（VA）作为一种通过交互式视觉展示来分析大型数据集的新型方法已逐渐兴起。我们展示了VA方法在生物学数据集分析中的实用性与灵活性。免疫学领域中的此类数据集示例包括流式细胞术数据、Luminex 数据以及基因分型数据（例如单核苷酸多态性数据）。与传统的信息可视化方法不同，VA通过允许分析人员参与实时的数据探索过程，将分析的主动权重新交还给分析者。在评估了多种VA工具后，我们选用了名为Tableau的VA软件。在视频演示中，采用一种称为配对分析的方法，展示了两种类型的分析任务：数据集内部及数据集之间的分析。根据VA的定义，配对分析是一种分析方法，在该方法中，VA工具专家与领域专家在分析过程中并肩协作。领域专家负责理解数据的意义，并提出所收集数据可能回答的问题；工具专家则创建可视化图表，以帮助发现可能回答这些问题的数据模式。假设生成与数据快速可视化展示之间较短的延迟时间，是VA方法的主要优势。

可视化分析（VA）是一种交互式数据分析的新方法。本视频中，我们讨论了高通量生物实验带来的数据过载问题，并提出将可视化分析作为解决该问题的方案。视频展示了使用一种名为 Tableau 的可视化分析工具对免疫学数据集内部及数据集之间进行分析的过程。

可视化分析（VA）作为一种通过交互式视觉显示来分析大型数据集的新方法已逐渐兴起。我们展示了其在……方面的实用性和……

利用可视化分析技术促进免疫学数据的分析。尽管数据的采集和存储能力已迅速发展，但数据的处理与分析能力相比之下进展甚微。因此，大量数据集常存在于生物医学实验室中，却未能得到有效的分析或高效的利用。然而，这些潜在的丰富而强大的信息却可能在存储系统的深渊中丢失。可视化分析（Visual Analytics，简称 VA）作为一种分析大型复杂数据集的新方法应运而生。VA 技术基于可视化手段，使分析人员能够利用自身的视觉智能来识别数据中的模式，例如总体趋势或异常值。这些快速可视化方法可在探索数据时迅速形成假设。可视化分析（VA）工具的灵活性使分析人员能够在探索数据间关系的同时，进行放大、深入挖掘，并在多个数据集之间建立关联。通过将可视化分析应用于整合的数据源，用户可以揭示出新的重要发现。亲本分析是一种可视化分析方法，在该方法中，可视化分析工具专家与技术专家（也称为领域专家）共同协作，由领域专家针对数据提出具有生物学意义的问题。随后，可视化分析工具专家创建相应的可视化图形，以帮助揭示有助于回答该问题或引导进一步探索的数据模式。该过程可反复迭代，以构建不同的可视化形式，从而获得更深入的洞察。我们着手检验成对分析可视化分析方法在大型复杂生物医学数据集中的适用性。在初步的预实验中，我们评估了当前问题所涉及的多种现有可视化分析工具。最终选择 Tableau 软件开发的 Tableau 作为最适合该任务的工具。这些初步实验中的选择标准基于主观参数，如易用性和整体可用性，以及客观技术特征，如多种交互技术和可视化功能。我们在此拥有一个典型的传染病研究实验室所使用的 Microsoft Excel 电子表格形式的数据集。该数据集包含受试者标识符以及遗传 DNA 序列变异的相关数据。在此案例中，我们关注的是受试者的 NF kappa BIA 单核苷酸多态性（SNPs），以及在特定刺激激活受试者免疫细胞后，免疫细胞所产生的多种生物分子（此处为细胞因子）的观测浓度。现在，我们将向下滚动至电子表格。为了使您了解该数据集的规模，我们的目标是探究基因型——即本例中 NF Kappa BIA 基因的不同 SNP 位点——与所观察到的细胞因子反应之间是否存在普遍关联。刺激后，我们现在将数据集连接到 Tableau，并确保导入 NF kappa BIA 表。您可以在左侧看到，Tableau 已连接到正确的表，并自动将列变量分为 Tableau 所称的“维度”和“度量”。“维度”仅指对数据进行分类的列，而“度量”则指该列中的定量数值。为了进行此可视化分析，我们现在将刺激物浓度水平与观察到的细胞因子反应浓度进行绘图。接下来，我们对细胞因子浓度水平的数值进行平均。浓度水平的顺序有误，但可以很容易地快速重新排序。然后我们可以切换视图以适应屏幕，从而更方便地观察数据。由于我们希望研究如何区分不同基因型，只需将基因型维度拖放到此颜色区域即可。可视化结果将自动并立即按基因型进行分离。现在，我们可以尝试不同的显示格式。例如，折线图可能更有利于揭示我们希望捕捉的模式。显然，还有许多其他选项。成对分析中的生物学家建议，我们首先探索在使用名为 3M oh oh two 的试剂刺激后，一种称为 QNF alpha 的细胞因子标志物的产生关系。为此，我们需要筛选标志物维度 TNF alpha 和刺激物维度 3M oh oh two。为了使筛选过程更加灵活，我们可以为标志物和刺激物维度均选择“显示快速筛选”选项，并确保其为单值列表。该可视化结果清晰地展示了不同基因型（以不同颜色区分）在三种 MOI的 oh two 刺激水平下，TNF-α 产生的差异。我们可以选择其他任意的标记物和刺激参数组合，可视化结果将相应改变。类似于 Excel，我们可以在不同的选项卡中构建不同的可视化图表。为了展示目的，我们还可以生成多个分析结果的汇总视图。在此案例中，我们研究了具有不同 NF Kappa BIAS snip 基因型的多个受试者中 TNF Alpha 的产生情况。在本演示中，我们采用配对分析 VA 方法，成功在约 1 分 30 秒内生成了一系列强有力的可视化结果。而通常情况下，生物医学研究人员在 Excel 中生成类似的一组可视化结果需要 30 分钟。之前的示例是一个简单的二维分析。VA 的真正强大之处在于能够同时可视化多个维度。例如，Tableau 支持通过关键值的逻辑连接对数据集之间进行分析。以下是位于同一工作簿中的两个电子表格。第一个数据集来自之前的演示示例，另一个数据集则是通过流式细胞术分析单个细胞同时产生多种细胞因子的结果。同时，还包含一个称为多能性程度（poly functionality degree 或 PFD）的指标。您可为工作表命名，以便在导入阶段更易于识别。这使得 Tableau 能够连接两个电子表格。选择多表选项后，您可以使用“添加新表”功能来合并这两个表格。该功能会将第二个电子表格添加到第一个中，并利用连接语句通过相同的键（如细胞类型、浓度水平阶段、分组刺激和受试者标识符）来整合数据集。请注意，维度按电子表格名称分隔。这使我们能够使用未包含在逻辑联合语句中的维度。例如，多能性的定义是指产生一种以上细胞因子的细胞所占的百分比。例如，一个细胞产生两种细胞因子，其多因子分泌能力（PFD）为2；另一个细胞产生三种细胞因子，其PFD为3。在此，我们创建一个计算字段，将这些值合并为一个可用于可视化展示的综合指标。现在，我们可以开始构建可视化图表。首先，我们将细胞因子水平的浓度与光子通量密度（PFD）在两个及以上数值之间进行绘图，并像上一个示例一样，取PFD大于二的平均值。我们还通过手动设置将浓度标签按从低到高的顺序排列。由于该组中仅部分样本具有基因型信息，因此需要过滤掉不含基因型信息的数据行。与之前一样，我们可以快速将基因型信息添加到颜色标签中，从而也能区分不同的基因型。然后我们可以调整视图以适应屏幕，便于更直观地观察数据。我们还可以修改柱状图的显示方式。例如，展示该结果的折线图可以很好地反映不同基因型特有模式下CYT反应与PFP反应的变化情况。您会立即注意到，具有GG基因型的NF kappa b SNP与其他基因型相比表现出不同的反应模式。我们可以通过进一步研究不同刺激因素对该模式的影响来深入探讨这一现象。请注意，在刺激维度中加入LPS后，三种主要基因型在所有浓度下均表现出相似的PFD水平；但仅在3M MO oh two刺激条件下，GG基因型在刺激物低浓度到高浓度之间表现出PFD的显著上升。该发现使我们能够提出一个假设，供后续实验验证，即刺激类型会影响PFD。在最后两个示例中，我们观察到可快速生成可视化结果，以检测数据集内部及数据集之间可能存在的有意义模式。可视化分析的强大功能可以迅速扩展到大规模数据集，根据具体应用需求提升分析的维度，并整合来自海量数据集的信息。例如，在队列研究中产生了众多孤立的数据存储，可视化分析（VA）是一种高度可迁移的方法，有可能应用于任何包含大量不同类型数据的领域，包括分类数据和数值型数据集。VA 方法具有两个主要优势。其一，灵活的假设生成。用户可根据当前发现即时生成关于数据的假设，并快速创建新的可视化结果以探索该假设，从而节省时间。UVA 工具相较于传统信息可视化工具的主要优势在于其可用性和高效性。使用传统方法进行绘图通常需要耗费数个工作日才能完成的任务，利用 Tableau 等可视化分析（VA）平台仅需两到三个小时即可轻松实现。显然，目前存在并且未来还可能出现其他各类应用平台，每种平台都具有各自特定的优缺点。采用并行分析（para analysis）方法来处理此类任务，显然进一步增强了基于可视化分析方法在复杂多维数据分析中的整体优势。

facilitating-analysis-immunological-data-with-visual-analytic

Research

科研

JoVE Journal

Immunology and Infection

免疫学与感染

促进免疫学数据分析与视觉分析技术

全血免疫表型分析对于监测人体免疫系统至关重要。然而，所需试剂种类繁多，且预混染色抗体组合中某些荧光染料稳定性较差，因此需要每日重新配制试剂。本文表明，采用半自动化方式配制染色抗体混合液可减少试剂分配过程中的变异，从而建立更为可靠的免疫表型分析方法。...

一种半自动化制备抗体混合物用于人外周血免疫表型分析的方法

本文介绍了一种用于分析人原代T细胞与抗原呈递细胞之间免疫突触的定性和定量完整工作流程。该方法基于成像流式细胞术，可在相对较短的时间内获取并分析数千个细胞的图像。...

利用成像流式细胞术对人类系统中免疫突触进行定性和定量分析

研究肿瘤微环境可能发现用于预测免疫治疗临床反应的预后或预测性生物标志物。本文介绍了一种基于 原位 荧光多光谱成像用于自动分析和计数CD8的不同亚群+...

多重免疫荧光分析与肿瘤内 PD-1+ Tim-3+ CD8+ T 细胞的定量

ExCYT 是一个基于 MATLAB 的图形用户界面（GUI），可让用户通过常用的高维数据分析技术来分析其流式细胞术数据，包括通过 t-SNE...

ExCYT：用于简化高维细胞术数据分析的图形用户界面

Cytofast 是一种用于分析聚类结果的可视化工具。Cytofast 可用于比较两种聚类方法：FlowSOM 和 Cytosplore。Cytofast...

利用 Cytofast 与上游聚类方法 FlowSOM 和 Cytosplore 对高维细胞流式数据进行可视化与定量分析

本文介绍一种简单且易于实施的策略，用于对福尔马林固定石蜡包埋的肿瘤组织切片中的免疫细胞进行可视化、定量和定位分析。该方法结合了现有的成像技术和数字分析手段，旨在拓展成像检测的多重检测能力和多参数分析水平。...

肿瘤微环境中免疫细胞群体的可视化、定量与定位分析

在免疫治疗和单细胞基因组分析的时代，癌症生物学需要新型的体外和计算工具，以在适当的时空背景下研究肿瘤-免疫界面。本文介绍了在二维和三维条件下利用肿瘤-免疫微流控共培养的实验方案，可兼容对细胞功能进行动态、多参数的监测。...

用于解析体外肿瘤微环境中免疫应答的微流控共培养模型

本文介绍了一种手动酪胺信号放大（TSA）多重免疫荧光（mIF）染色结合图像分析与空间分析的实验方案。该方案可用于福尔马林固定石蜡包埋（FFPE）组织切片，每张切片可检测两至六种抗原，具体数量取决于实验室所配备的切片扫描仪。...

多重免疫荧光结合空间图像分析用于肿瘤微环境的临床与生物学评估

本方案详细描述了如何利用多重免疫组织化学对肿瘤微环境中的免疫细胞进行表征。...

肿瘤微环境中空间免疫细胞格局的多重免疫组织化学分析

本文介绍一种新型的高内涵化学诱导炎症检测方法，旨在鉴定具有免疫调节作用的生物活性物质。我们已成功将自动化显微镜技术与自主开发的软件脚本相结合，实现了对炎症反应的自动化定量，以及后续的数据处理、分析、挖掘和存储。...

促进药物发现：斑马鱼中一种自动化的高内涵炎症检测方法

学习使用可视化分析技术处理免疫学大数据，通过Tableau工具快速识别数据模式与趋势。该方法帮助研究人员高效分析复杂数据集并生成假设。

借助可视化分析技术促进免疫学数据分析

探索更多视频