Name: ExCYT: Eine grafische Benutzeroberfläche für die Straffung der Analyse hochdimensionaler Cytometry Daten (Video) | JoVE Journal
Uploaded: 2019-01-16T12:30:00.000+00:00
Duration: 5 min 12 s
Description: Lernen Sie die Analyse hochdimensionaler Durchflusszytometrie-Daten mit ExCYT, einer benutzerfreundlichen MATLAB-GUI. Diese Methode ermöglicht Forschern ohne Programmierkenntnisse die Dimensionsreduktion, Clustering und Visualisierung komplexer Zellpopulationen.

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

playerTrialDesktop

Die Autoren haben keine Bestätigungen.

(1) sammeln und aufbereiten Cytometry Daten
<ol><li>Setzen Sie alle einzelnen Flecken in einem Ordner von selbst und Label von der Kanalname (indem Fluorophor, keine Markierung).</li>
</ol>2. Daten Import & Pre-Processing
<ol><li>Um anzuhalten oder während dieser Analyse Pipeline zu speichern, verwenden die Schaltfläche " Arbeitsbereich speichern " in der unteren linken Ecke des Programms, um den Arbeitsbereich zu speichern ein ". MAT "-Datei, die später über den Button Load Arbeitsbereich geladen werden kann. Mehr als eine Instanz des Programms nicht zu einem Zeitpunkt ausgeführt. Wenn Sie einen neuen Arbeitsbereich zu laden, stellen Sie daher sicher, zu überprüfen, gibt es keine andere Instanz der ExCYT ausgeführt.</li>
	<li>Um zu Beginn der Analyse Pipeline zuerst wählen Sie Cytometry (Flow Cytometry oder Masse Zytometrie – CYTOF), unter die Datei Selektionsparameter wählen Sie Anzahl der Ereignisse aus der Datei (für dieses Beispiel verwenden 2.000) zu probieren. Sobald die Daten erfolgreich importiert wurde, erscheint ein Dialogfeld den Benutzer darüber informiert, dass die Daten erfolgreich importiert wurde.</li>
	<li>Drücken Sie Auto-Kompensation , einen optionaler Auto-Kompensation Schritt durchzuführen wie Bagwell & Adams9erledigt. Wählen Sie das Verzeichnis mit einzelnen Flecken. Wählen Sie die ungefärbte Probe innerhalb der Benutzer-Schnittstelle-Dialog.<ol>
<li>Legen Sie ein Tor nach vorne/Seite-Streuung auf die Beispiele in diesem Verzeichnis, das verwendet wird, um Ereignisse zur Berechnung der Entschädigung Matrix auswählen. Es wird empfohlen, die ungefärbte Probe für diesen Zweck zu verwenden. An dieser Stelle wurde ein Algorithmus implementiert, um einheitliche Schwellenwerte bei99 Perzentil der ungefärbten Probe, positive Ereignisse in jedem der einzelnen Flecken zur Berechnung der Entschädigung-Matrix zu definieren . Wenn dies abgeschlossen ist, wird ein Dialogfeld den Benutzer informieren, dass der Ausgleich stattgefunden hat.</li>
	</ol>
</li>
	<li>Als nächstes drücken Sie Tor Bevölkerung und wählen Sie die Bevölkerungen der Zellen von Interesse, wie die Konvention im Flow Cytometry Analysen ist. Bei der Bevölkerung der Zellen ausgewählt ist, geben Sie die Anzahl der Prozentsatz der Ereignisse nachgelagerte Analyse (in diesem 10.000 Veranstaltungen).</li>
	<li>Wählen Sie als nächstes die Anzahl Kanäle für die Analyse in der Listbox in der rechten Seite des Feldes Vorverarbeitung verwendet werden (verwenden Sie die spezielle Kanäle im Beispiel gezeigt).</li>
</ol>3. t-ans-Analyse
<ol><li>Drücken Sie die T-ans -Taste, um das Programm Start beginnen, das reduzierte Dimensionalität Dataset für die Visualisierung im Fenster unterhalb des t-SNE zu berechnen. Bild von t-SNE, speichern TSNE Bild speicherndrücken. Auf einem Computer mit 8 CPU @ 3,4 GHz und 8 GM RAM dieser Schritt ca. 2 Minuten für 10.000 Veranstaltungen, 10 Minuten für 50.000 Veranstaltungen und 20 Minuten für 100.000 Veranstaltungen dauert.</li>
	<li>Erstelle ich eine t-SNE Heatmap ", wie in mehreren CYTOF Publikationen10,11, wählen Sie eine Option aus dem Einblendmenü" Marker-spezifischen t-SNE "gesehen (verwenden Sie die spezifische Marker CD64 oder CD3, wie im Beispiel gezeigt). Eine Figur wird pop-up zeigt eine Heatmap-Darstellung des t-SNE Plots, die Abbildung Generation gespeichert werden können.</li>
	<li>Wählen Sie Bereiche von Interesse in den t-SNE Parzellen durch den Benutzer für weitere nachgelagerte Analysen mit dem Tor t-ans -Button.</li>
</ol>(4) die Cluster-Analyse
<ol><li>Um clustering Analyse zu beginnen, wählen Sie eine Option im Listenfeld Clustering-Methode (in diesem Beispiel uns zitierten mit Abstand Faktor 5 im Dialog box rechts neben dem Listenfeld). Drücken Sie die Schaltfläche " Cluster ".</li>
	<li>Verwenden Sie eine der folgenden Optionen für automatisierte clustering-Algorithmen im Bereich 'Automatisierte Clustering Parameter' gefunden:<ol>
<li>
Harte KMEANS (auf t-SNE): k-Means clustering auf die reduzierte 2-dimensionale t-ans-Daten anwenden und erfordert die Anzahl der Cluster die Algorithmus-12zur Verfügung gestellt werden.</li>
		<li>
Harte KMEANS (auf HD Daten): Anwendung der k-Means clustering auf die ursprünglichen hochdimensionalen Daten, die der t-ans-Algorithmus gegeben wurde. Wieder einmal muss die Anzahl der Cluster für den Algorithmus zur Verfügung gestellt werden.</li>
		<li>
Zitierten: Gelten die clustering-Methode des clustering, genannt Dichte basierenden Spatial Clustering von Anwendungen mit Lärm13 , die die reduzierte 2-dimensionale t-ans-Daten-Cluster und erfordert einen dimensionslose Faktor, der bestimmt, die allgemeine Größe der der Clustern. Diese Art der clustering-Algorithmus eignet sich gut Cluster die t-ans-Reduktion, wie es ist in der Lage, Cluster nicht kugelförmige Cluster, die oft in der reduzierten t-ans-Darstellung vorhanden sind. Zusätzlich, da es auf der 2-dimensionalen Daten arbeitet, ist es eines der schneller clustering-Algorithmen.</li>
		<li>
Hierarchische Cluster: Die hochdimensionalen Daten wo die gesamte euklidische Entfernungsmatrix, zwischen allen Ereignissen berechnet wird vor Erbringung des Algorithmus ein Entfernungsfaktor, die die Größe des Clusters setzt zuweisen Sie die herkömmliche hierarchische Cluster Methode.</li>
		<li>
Netzwerk-Diagramm Sitz: Gelten Sie eine clustering-Methode, die vor kurzem eingeführt worden ist, in Flow Cytometry Daten zu analysieren, wann gibt es seltene Subpopulationen, die der Benutzer möchte erkennen,11,14. Diese Methode beruht auf vorherige Erstellung eines Diagramms, das die Verbindungen zwischen allen Ereignissen in den Daten bestimmt. Dieser Schritt besteht darin, einen erste Parameter, um das Diagramm zu erstellen, das die Anzahl der k-nächsten Nachbarn ist. Dieser Parameter regelt in der Regel die Größe der Cluster. An dieser Stelle erscheint eine weitere Dialogbox den Benutzer auffordert, einsetzen eines 5 clustering-Algorithmen, die auf das Diagramm angewendet wird. Dazu gehören 3 Optionen, um die Modularität des Diagramms, die Danon-Methode und eine spektrale clustering Algorithmus14,15,16,17,18zu maximieren. Wenn man in der Regel schneller Clusteringlösung will, empfehlen wir Spectral Clustering oder die schnell gierig Modularität-Maximierung. Während die Modularität Maximierung Methoden zusammen mit den Danon-Methode die optimale Anzahl der Cluster bestimmen, erfordert Spectral Clustering die Anzahl der Cluster das Programm gewidmet werden.</li>
		<li>
Selbstorganisierte Karte: Einsetzen eines neuronalen Netzes zu hochdimensionalen Daten cluster.</li>
		<li>
GMM-Maximierung der Erwartung: "glockenförmig" Mischung Modell mit Erwartung Maximierung (EM) Technik zu hochdimensionalen Daten cluster erstellen. 19 diese Art der clustering-Methode erfordert auch den Benutzer zur Eingabe der Anzahl der Cluster.</li>
		<li>
Variantenreiche Bayesian Inference für GMM: Erstellen Sie ein "glockenförmig" Mischung-Modell, aber im Gegensatz zu EM, es kann automatisch bestimmen Sie die Anzahl der Mischung Komponenten k.20 während des Programms erfordert eine Anzahl von Clustern gegeben werden (größer als die erwartete Anzahl von Clustern), der Algorithmus bestimmt die optimale Anzahl von alleine.</li>
	</ol>
</li>
	<li>Um einen bestimmten Bereich der t-SNE Handlung zu studieren, drücken Sie Cluster manuell wählen Sie eine Reihe von benutzerdefinierten Gruppen zu zeichnen. Der Hinweis Teilen nicht Clustern Mitglieder (d. h. , die jedes Ereignis nur 1 Cluster gehören kann).</li>
</ol>(5) cluster-Filtration
<ol><li>Komplettinstallation von Clustern können identifiziert entweder manuell oder über eine der oben beschriebenen automatischen Verfahren wie folgt über filtern.<ol>
<li>Um Cluster (im Bedienfeld " Cluster-Filter ") von keinem der Marker im Experiment gemessen zu sortieren, wählen Sie eine Option aus dem Einblendmenü " Art ". Um festzulegen, ob die Reihenfolge aufsteigend oder absteigend, drücken Sie Aufsteigend/absteigend Taste rechts neben dem Einblendmenü " Art ". Das aktualisieren die Liste von Clustern in der Listbox "Cluster (Filtration)" und neu ordnen sie in absteigender Reihenfolge der Median Cluster Ausdruck, der Marker. Der Prozentsatz in der Listbox "Cluster (Filtration)" gekennzeichnet bezeichnet die Prozent der Bevölkerung, die dieses Clusters darstellt.</li>
		<li>Um einen minimalen Grenzwert für einen bestimmten Cluster über einen bestimmten Kanal festzulegen, wählen Sie eine Option aus dem Einblendmenü " Schwelle " (in diesem Beispiel uns das Marker CD65 und setzen einen Schwellenwert bei 0,75). Entweder geben Sie einen Wert in das numerische Feld unterhalb des Diagramms oder verwenden Sie den Schieberegler, einen Schwellenwert festzulegen. Sobald Schwellenwert festgelegt ist, drücken Sie Über dem Schwellenwert hinzufügen oder Unter Schwellenwert Hinzufügen um die Richtung der Schwellenwert festzulegen. Sobald diese Schwelle festgelegt wurde, wird es im Feld "Schwellenwerte" neben die Filterplatte "Cluster" aufgeführt, wo die Markierung, den Schwellenwert und die Richtung aufgelistet, werden, so dass der Benutzer ist sich bewusst welche Schwellenwerte derzeit angewendet werden. Schließlich t-ans Grundstück wird aktualisieren, indem Sie verwischen, Cluster, die nicht den Anforderungen der Filtration und das Listenfeld "Cluster (Filtration)" wird aktualisiert, um Cluster zeigen, die den Filtration Anforderungen.</li>
		<li>Um eine Mindestgrenze für die Frequenz eines Clusters festzulegen, geben Sie einen numerischen Cut-off in der Cluster-Frequenz-Wert (%) Box im Bedienfeld "Cluster-Filter" (in diesem Beispiel Nutzung 1 %).</li>
	</ol>
</li>
</ol>6. cluster-Analyse & Visualisierung
<ol><li>Wählen Sie Cluster für die weitere Analyse und Visualisierung wählen Sie Cluster In Clustern (Filtration) Listbox aus und drücken Sie Wählen Sie À auf die Cluster analysieren Listbox verschieben.</li>
	<li>Heatmaps von Clustern zu erstellen, wählen Sie die Cluster von Interesse in der Listbox Cluster zu analysieren und drücken Sie die HeatMap von Cluster -Taste. Wenn diese Schaltfläche gedrückt wird, erscheint eine Figur mit einer Heatmap zusammen mit Dendrogramme auf der Cluster und Parameter. Das Dendrogramm auf der vertikalen Achse wird Gruppe Cluster von denen, die eng miteinander, während das Dendrogramm auf der horizontalen verbunden sind Achse werden gruppiert, Marker, die zusammen verbunden sind. Um Heatmap zu speichern, drücken Sie die Datei | Exportieren Sie Setup | Exportieren Sie.
</li>
	<li>Um eine "Hohe dreidimensionale Box Plot" oder "Hohe dreidimensionale fließen Plot" erstellen, wählen Sie die Cluster von Interesse im Cluster analysieren Listenfeld und drücken Sie entweder die Hohe dreidimensionale Box Plot oder die Schaltfläche " Hoch dimensionalen fließen Plot ". Diese Grundstücke können verwendet werden, um visuell beurteilen die Verteilung der Kanäle von verschiedenen Clustern in allen Dimensionen gegeben.</li>
	<li>Um Cluster in traditionellen 2D Fluss Parzellen anzuzeigen, wählen Sie die Transformation (lineare, log10, Arcsinh) und Kanal in der Konventionellen Plot-Flow Panel und Presse herkömmlichen Flow Plot.
</li>
</ol>

<ol><li>Benoist, C., Hacohen, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Flow+cytometry%2C+amped+up%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Flow cytometry, amped up.</a> Science. 332 (6030), 677-678 (2011).</li>
<li>Ornatsky, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Highly+multiparametric+analysis+by+mass+cytometry%5BTitle%5D)+AND+%22Journal+of+immunological+methods%22%5BJournal%5D)">Highly multiparametric analysis by mass cytometry.</a> Journal of immunological methods. 361 (1), 1-20 (2010).</li>
<li>Tanner, S. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Flow+cytometer+with+mass+spectrometer+detection+for+massively+multiplexed+single-cell+biomarker+assay%5BTitle%5D)+AND+%22Pure+and+Applied+Chemistry%22%5BJournal%5D)">Flow cytometer with mass spectrometer detection for massively multiplexed single-cell biomarker assay.</a> Pure and Applied Chemistry. 80 (12), 2627-2641 (2008).</li>
<li>Maecker, H. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Standardization+of+cytokine+flow+cytometry+assays%5BTitle%5D)+AND+%22BMC+immunology%22%5BJournal%5D)">Standardization of cytokine flow cytometry assays.</a> BMC immunology. 6 (1), 13(2005).</li>
<li>Brazma, A., Vilo, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gene+expression+data+analysis%5BTitle%5D)+AND+%22FEBS+letters%22%5BJournal%5D)">Gene expression data analysis.</a> FEBS letters. 480 (1), 17-24 (2000).</li>
<li>Pyne, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+high-dimensional+flow+cytometric+data+analysis%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences%22%5BJournal%5D)">Automated high-dimensional flow cytometric data analysis.</a> Proceedings of the National Academy of Sciences. 106 (21), 8519-8524 (2009).</li>
<li>Ge, Y., Sealfon, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((flowPeaks%3A+a+fast+unsupervised+clustering+for+flow+cytometry+data+via+K-means+and+density+peak+finding%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">flowPeaks: a fast unsupervised clustering for flow cytometry data via K-means and density peak finding.</a> Bioinformatics. 28 (15), 2052-2058 (2012).</li>
<li>Venkatesh, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determinants+of+perceived+ease+of+use%3A+Integrating+control%2C+intrinsic+motivation%2C+and+emotion+into+the+technology+acceptance+model%5BTitle%5D)+AND+%22Information+systems+research%22%5BJournal%5D)">Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model.</a> Information systems research. 11 (4), 342-365 (2000).</li>
<li>Bagwell, C. B., Adams, E. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fluorescence+spectral+overlap+compensation+for+any+number+of+flow+cytometry+parameters%5BTitle%5D)+AND+%22Annals+of+the+New+York+Academy+of+Sciences%22%5BJournal%5D)">Fluorescence spectral overlap compensation for any number of flow cytometry parameters.</a> Annals of the New York Academy of Sciences. 677 (1), 167-184 (1993).</li>
<li>Lavin, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Innate+immune+landscape+in+early+lung+adenocarcinoma+by+paired+single-cell+analyses%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Innate immune landscape in early lung adenocarcinoma by paired single-cell analyses.</a> Cell. 169 (4), 750-765 (2017).</li>
<li>Chevrier, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+immune+atlas+of+clear+cell+renal+cell+carcinoma%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">An immune atlas of clear cell renal cell carcinoma.</a> Cell. 169 (4), 736-749 (2017).</li>
<li>Hartigan, J. A., Wong, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Algorithm+AS+136%3A+A+k-means+clustering+algorithm%5BTitle%5D)+AND+%22Journal+of+the+Royal+Statistical+Society.+Series+C+%28Applied+Statistics%29%22%5BJournal%5D)">Algorithm AS 136: A k-means clustering algorithm.</a> Journal of the Royal Statistical Society. Series C (Applied Statistics). 28 (1), 100-108 (1979).</li>
<li>Ester, M., Kriegel, H. P., Sander, J., Xu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Density-based+spatial+clustering+of+applications+with+noise%5BTitle%5D)+AND+%22International+Conference+Knowledge+Discovery+and+Data+Mining%22%5BJournal%5D)">Density-based spatial clustering of applications with noise.</a> International Conference Knowledge Discovery and Data Mining. 240, (1996).</li>
<li>Levine, J. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Data-driven+phenotypic+dissection+of+AML+reveals+progenitor-like+cells+that+correlate+with+prognosis%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Data-driven phenotypic dissection of AML reveals progenitor-like cells that correlate with prognosis.</a> Cell. 162 (1), 184-197 (2015).</li>
<li>Blondel, V. D., Guillaume, J. L., Lambiotte, R., Lefebvre, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+unfolding+of+communities+in+large+networks%5BTitle%5D)+AND+%22Journal+of+statistical+mechanics%3A+theory+and+experiment%22%5BJournal%5D)">Fast unfolding of communities in large networks.</a> Journal of statistical mechanics: theory and experiment. 2008 (10), P10008(2008).</li>
<li>Le Martelot, E., Hankin, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+multi-scale+detection+of+relevant+communities+in+large-scale+networks%5BTitle%5D)+AND+%22The+Computer+Journal%22%5BJournal%5D)">Fast multi-scale detection of relevant communities in large-scale networks.</a> The Computer Journal. 56 (9), 1136-1150 (2013).</li>
<li>Newman, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+algorithm+for+detecting+community+structure+in+networks%5BTitle%5D)+AND+%22Physical+review+E%22%5BJournal%5D)">Fast algorithm for detecting community structure in networks.</a> Physical review E. 69 (6), 066133(2004).</li>
<li>Hespanha, J. P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHespanha%2C+JP+%22An+efficient+matlab+algorithm+for+graph+partitioning%22">An efficient matlab algorithm for graph partitioning</a>. , University of California. 1-8 (2004).</li>
<li>Moon, T. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+expectation-maximization+algorithm%5BTitle%5D)+AND+%22IEEE+Signal+processing%22%5BJournal%5D)">The expectation-maximization algorithm.</a> IEEE Signal processing. 13 (6), 47-60 (1996).</li>
<li>Bishop, C. M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBishop%2C+CM+%22Pattern+recognition+and+machine+learning%22">Pattern recognition and machine learning</a>. , Springer. (2006).</li>
</ol>

Die Autoren haben nichts preisgeben.

Hier präsentieren wir Ihnen ExCYT, eine neue grafische Benutzeroberfläche laufen MATLAB-basierten Algorithmen zur Analyse hochdimensionaler Zytometrie Daten, Optimierung ermöglicht Personen ohne Hintergrund in der Programmierung, die neuesten in hochdimensionalen Daten zu implementieren Analysealgorithmen. Die Verfügbarkeit dieser Software der breiteren Fachöffentlichkeit können Wissenschaftler ihre Flow Cytometry Daten in einem intuitiven und einfachen Workflow durchsuchen. Durch Durchführung von t-SNE Reduzierung der D...

Fortschritte in der Durchflusszytometrie sowie das Aufkommen der Masse Zytometrie hat erlaubt, Kliniker und Wissenschaftler, um schnell zu identifizieren und zu charakterisieren, phänotypisch biologisch und klinisch interessante Muster mit neuen Levels von Auflösung, große hochdimensionalen Daten-Sets, die Informationen reichen1,2,3sind. Während herkömmliche Methoden für die Analyse von Flow Cytometry Daten wie z. B. manuelle Anspritzung einfacher für Experimente wurden gibt es einige Marker und diese Marker haben optisch erkennbare Populationen, kann dieser Ansatz nicht generieren reproduzierbare Ergebnisse bei der Analyse der höherdimensionalen Datensätze oder solche mit Marker Flecken auf ein Spektrum. Beispielsweise wurden in einer Multi-institutionelle Studie, wo intrazelluläre Färbung (ICS) Assays durchgeführt, um die Reproduzierbarkeit der Quantifizierung antigenspezifischen T-Zell-Reaktionen, trotz guter laborübergreifenden Präzision, Analyse, insbesondere zu beurteilen Anspritzung, eine bedeutende Quelle der Variabilität4eingeführt. Darüber hinaus ist der Prozess der manuell Anspritzung Bevölkerung von Interessen, abgesehen davon, dass höchst subjektiv sehr zeitaufwendig und arbeitsintensiv. Das Problem der Analyse hochdimensionaler Datensätze in eine robuste, effiziente und rechtzeitige Weise ist jedoch nicht eine neue Forschung Wissenschaften. Genexpressionsstudien erzeugen oft sehr hochdimensionalen Daten-Sets (oft in der Größenordnung von Hunderten von Genen) wo manuelle Formen der Analyse einfach nicht machbar wäre. Um die Analyse dieser Daten-Sets zu begegnen, wurde viel Arbeit bei der Entwicklung von bioinformatische Werkzeuge gen Ausdruck Daten5analysieren. Diese algorithmische Ansätze wurden gerade vor kurzem in der Analyse der Zytometrie Daten angenommen wie die Anzahl der Parameter gestiegen ist und haben sich als von unschätzbarem Wert für die Analyse von diesen hohen dreidimensionale Datensätze6,7.
Trotz der Erzeugung und Anwendung einer Vielzahl von Algorithmen und Software-Pakete, mit denen Wissenschaftler dieser hochdimensionalen bioinformatische Ansätze auf ihre Flow Cytometry Daten anwenden, bleiben diese analytische Techniken noch weitgehend ungenutzt. Es gibt zwar eine Vielzahl von Faktoren, die die Verbreitung dieser Ansätze auf Zytometrie Daten8begrenzt haben, das große Hindernis, die wir in den Verdacht dieser Ansätze von Wissenschaftlern verwenden, ist ein Mangel an rechnerische wissen. In der Tat sind viele dieser Software-Pakete (z.B. FlowCore, FlowMeans und OpenCyto) geschrieben, um in Programmiersprachen wie z. B. R, die materiellen Programmierkenntnisse noch benötigen umgesetzt werden. Software-Pakete wie FlowJo haben Gnade unter Wissenschaftlern aufgrund der Einfachheit der Nutzung und "Plug-n-Play" Natur sowie Kompatibilität mit dem PC-Betriebssystem gefunden. Um die Vielfalt der anerkannte und wertvolle analytische Techniken der Wissenschaftler unbekannte Programmierung bieten, haben wir ExCYT, eine grafische Benutzeroberfläche (GUI) entwickelt, die leicht auf einem PC/Mac installiert werden kann, die viele der neuesten Techniken zieht einschließlich der Reduzierung der Dimensionalität für intuitive Visualisierung, eine Vielzahl von clustering Methoden in der Literatur, zusammen mit neuartigen Features zu erkunden die Ausgabe dieser zitiert clustering-Algorithmen mit Heatmaps und Roman hochdimensionalen Fluss/Box-Plots.
ExCYT ist eine grafische Benutzeroberfläche in MATLAB gebaut und daher können entweder direkt ausgeführt werden in MATLAB oder ein Installationsprogramm ist, vorausgesetzt, die verwendet werden können, um die Installation auf jedem PC/Mac. Die Software ist erhältlich bei https://github.com/sidhomj/ExCYT. Wir präsentieren Ihnen ein detailliertes Protokoll wie Sie Daten importieren, vorab zu bearbeiten, führen t-SNE Reduzierung der Dimensionalität, Cluster-Daten, Art & filtern Cluster basierend auf Benutzer-Einstellungen und Displayinformationen zu den Clustern von Interesse über Heatmaps und Roman hochdimensionalen Fluss/Box-Plots ()Abbildung 1(). Achsen in t-SNE Parzellen sind willkürlich und in beliebigen Einheiten und als solche nicht immer in den Figuren der Einfachheit des Benutzers dargestellt-Schnittstelle. Die Färbung der Datenpunkte in der "t-SNE Heatmaps" ist von blau auf Gelb basierend auf das Signal der angegebenen Markierung. Beim clustering-Lösungen, die Farbe des Datenpunkts willkürliche Blockzahl basiert. Alle Teile des Workflows können durchgeführt werden, im Bereich GUI ()Abbildung 2 & Tabelle 1). Zu guter Letzt demonstrieren wir Ihnen die Verwendung von ExCYT auf zuvor veröffentlichten Daten der immun Landschaft von Nierenzellkarzinomen in der Literatur auch mit ähnlichen Methoden analysiert. Die Beispiel-Dataset verwendeten wir die Zahlen in diesem Manuskript zusammen mit dem Protokoll unten erstellen finden Sie auf https://premium.cytobank.org/cytobank/projects/875, bei der Registrierung eines Accounts.

<table><tbody><tr><td>Desktop</td><td>SuperMicro</td><td>Custom Build</td><td>Computer zum Ausführen von Analysen</td></tr><tr><td>MATLAB</td><td>Mathworks</td><td>N/A</td><td>Software zur Entwicklung von ExCYT</td></tr></tbody></table>

excyt: eine grafische benutzeroberfläche für die straffung der analyse hochdimensionaler cytometry daten

ExCYT: A Graphical User Interface for Streamlining Analysis of High-Dimensional Cytometry Data

Mit dem Aufkommen der fließen Cytometers messen eine zunehmende Anzahl von Parametern weiterhin größere Platten phänotypisch Eigenschaften ihrer zellulären Muster zur Erkundung entwickeln Wissenschaftler. Allerdings liefern diese technologischen Zuführungen hochdimensionalen Daten-Sets, die immer schwieriger zu Objektiv im traditionellen Handbuch-gating Programme analysieren haben. Um besser zu analysieren und darstellen von Daten, arbeiten Wissenschaftler mit Bioinformatikern mit Erfahrung in der Analyse hochdimensionaler Daten um ihre Flow Cytometry Daten analysiert werden. Während diese Methoden sehr wertvoll bei der Untersuchung der Durchflusszytometrie gezeigt wurden, haben sie noch in eine einfache und leicht zu bedienenden Paket für Wissenschaftler einbezogen werden, die rechnerische oder Programmierung Fachwissen verfügen. Zu diesem Zweck haben wir ExCYT, ein MATLAB-basierte grafische Benutzeroberfläche (GUI) entwickelt, die die Analyse hochdimensionaler Flow Cytometry Daten optimiert durch die Implementierung verwendeten Analyseverfahren für hochdimensionale Daten einschließlich Reduzierung der Dimensionalität von t-SNE, Grundstücke eine Vielzahl von automatisierten und manuellen clustering Methoden, Heatmaps und neuartige hochdimensionalen fließen. Darüber hinaus bietet ExCYT traditionelle gating Optionen wählen Sie Populationen von Interesse für weitere t-SNE und clustering-Analyse sowie die Fähigkeit, Tore direkt am t-SNE Grundstücke anzuwenden. Die Software bietet den zusätzlichen Vorteil des Arbeitens mit entweder ausgeglichen oder unkompensierten FCS-Dateien. Für den Fall, dass nach der Übernahme Ausgleich erforderlich ist, können Benutzer dem Programm ein Verzeichnis von einzelnen Flecken und einer ungefärbten Probe zur Verfügung stellen. Das Programm erkennt positive Ereignisse in allen Kanälen und verwendet diese Daten auswählen mehr Objektiv die Vergütungsmatrix berechnen. ExCYT bietet eine umfassende Analyse Pipeline um Flow Cytometry Daten in Form von FCS-Dateien und jede Person, unabhängig von der rechnerische Ausbildung, um die neuesten algorithmische Ansätze für das Verständnis ihrer Daten verwenden lassen.

Um die Nutzbarkeit des ExCYT zu testen, haben wir analysiert einen kuratierten Datensatz von Chevrier Et Al. mit dem Titel "Ein immun Atlas der klare Renal Basalzellkarzinom" wo die Gruppe CyTOF mit einem umfangreichen immun-Panel Tumor Proben 73 Analyse veröffentlicht Patienten-11. Zwei getrennte Platten, einer myeloischen und lymphatischen Panel wurden verwendet, um der Tumor Mikroumgebung phänotypisch zu charakterisieren. Das Ziel unserer Studie war es,...

ExCYT ist ein MATLAB-basierte grafische Benutzeroberfläche (GUI), die Benutzern erlaubt, ihre Flow Cytometry über häufig Datenanalyse Analysetechniken für hochdimensionale Daten, einschließlich der Reduzierung der Dimensionalität über t-SNE, eine Vielzahl von automatisierten und manuellen beschäftigt Clustering-Methoden, Heatmaps und neuartige hochdimensionalen Fluss Grundstücke.

ExCYT: Eine grafische Benutzeroberfläche für die Straffung der Analyse hochdimensionaler Cytometry Daten

With the advent of flow cytometers capable of measuring an increasing number of parameters, scientists continue to develop larger panels to phenotypically ...

Diese Methode kann helfen, wichtige Fragen im biomedizinischen Bereich zu beantworten, wie z. B. das Verständnis des Phänotyps biologisch relevanter Subpopulationen. Der Hauptvorteil dieser Technik ist, dass sie es einer Person ohne Programmiererfahrung ermöglicht, ihre Zytometriedaten mit den neuesten hochdimensionalen Techniken zu analysieren. Um eine Analysepipeline zu starten, wählen Sie zunächst den Zytometrietyp und die Anzahl der Ereignisse aus der Datei aus.Klicken Sie als Nächstes auf Gate-Bevölkerung, wählen Sie die von Interesse interessierten Zellpopulationen aus, und geben Sie den Prozentsatz der Ereignisse für die nachgelagerte Analyse ein. Wählen Sie dann im Listenfeld die Anzahl der Kanäle aus, die für die Analyse verwendet werden sollen. Klicken Sie für T-distributed Stochastic Neighbor Embedding oder t-SNE-Analyse auf t-SNE, um mit der Berechnung des reduzierten Dimensionsdaten-Datasets zu beginnen.Wenn der Satz berechnet wurde, klicken Sie auf TSNE-Bild speichern, und wählen Sie im Popupmenü Marker-Specific t-SNE einen bestimmten Marker aus. Es wird eine Abbildung angezeigt, die eine Heatmap-Darstellung des t-SNE-Plots zeigt, die für die Abbildungsgenerierung ges

excyt-graphical-user-interface-for-streamlining-analysis-high

Research

Forschung

JoVE Journal

Immunology and Infection

Immunologie und Infektion

Dieses Video zeigt einen Assay zur Analyse von antigenspezifischen CD8+ T-Zellen in verschiedenen Zellzyklusstadien. Fluoreszenzmarkierte lebensfähige Zellen werden mittels Durchflusszytometrie selektiert, und die Zellen in den verschiedenen Zellzyklusstadien werden anhand ihres DNA-Gehalts mit Antikörpern gegen zellproliferationsassoziiertes Kernprotein und einer Nukleinsäurefärbung identifiziert.

Ein Assay für die Zellzyklusanalyse von antigenspezifischen CD8+ T-Zellen

Dieser Artikel beschreibt die Entnahme und Verarbeitung von Proben für die Massenzytometrie-Analyse.

Probenvorbereitung für die Massen Cytometry-Analyse

Durchflusszytometrischen Analyse hat für die Untersuchung von Reinkulturen und Überwachung der mikrobiellen Gemeinschaft Dynamik bewährt. Wir präsentieren jeweils drei umfassende Arbeitsabläufe, von der Probenahme zur Datenanalyse, Reinkulturen und komplexen Gemeinschaften in klare Medium ebenso wie anspruchsvolle Matrizen.

Kennzeichnenden Microbiome Dynamik – Durchflusszytometrie basierten Workflows von Reinkulturen zu natürlichen Gemeinschaften

Cytofast ist ein Visualisierungstool, das zum Analysieren der Ausgabe aus Clustering verwendet wird. Cytofast kann verwendet werden, um zwei Clustering-Methoden zu vergleichen: FlowSOM und Cytosplore. Cytofast kann schnell einen quantitativen und qualitativen Überblick über Massenzytometriedaten generieren und die Hauptunterschiede zwischen verschiedenen Clustering-Algorithmen hervorheben.

Visualisierung und Quantifizierung hochdimensionaler Zytometriedaten mit Cytofast und den Upstream Clustering Methods FlowSOM und Cytosplore

Hier wird eine auf Durchflusszytometrie basierende Technik vorgestellt, die es ermöglicht, gleichzeitig die Anzahl der Zellteilungen, den Phänotyp der Oberflächenzellen und die zelluläre Verwandtschaft zu messen. Diese Eigenschaften können statistisch mit einem auf Permutation basierenden Framework getestet werden.

Simultane Beurteilung von Verwandtschaft, Teilungszahl und Phänotyp mittels Durchflusszytometrie für hämatopoetische Stamm- und Vorläuferzellen

Hier wird ein Verfahren beschrieben, mit dem fünf oder mehr Fluoreszenzparameter mittels Immunfluoreszenzmikroskopie abgebildet werden können. Es wird eine Analysepipeline für die Extraktion einzelner Zellen aus diesen Bildern und die Durchführung von Einzelzellanalysen durch durchflusszytometrie-ähnliche Gating-Strategien skizziert, mit der Zelluntergruppen in Gewebeschnitten identifiziert werden können.

Generierung und Analyse von High-Parameter-Histologiebildern mit Histoflow-Zytometrie

Dieses Protokoll bietet eine umfassende Richtlinie für den Aufbau und die quantitative Überwachung von Co-Kulturen, einschließlich photoautotropher zuckersezernierender Cyanobakterien und heterotropher Hefen.

Assemblierung und Quantifizierung von Co-Kulturen, die heterotrophe Hefe mit phototrophen zuckersezernierenden Cyanobakterien kombinieren

Die genaue Analyse von mehrdimensionalen Mikroskopiedaten erfordert komplexe Arbeitsabläufe. Dieser Artikel zeigt, wie Sie die Software Cell-ACDC verwenden. Es nutzt hochmoderne KI-gesteuerte Modelle für die Segmentierung, Nachverfolgung, Analyse von Zellstammbäumen und Quantifizierung von Mikroskopiedaten. Entscheidend ist, dass es diese Modelle durch ein innovatives Framework für die halbautomatische Korrektur der Modellausgabe ergänzt.

Analyse von multidimensionalen Mikroskopiedaten mittels Cell-ACDC

Visual Analytics (VA) ist ein neuer Ansatz zur Analyse von Daten interaktiv. In diesem Video sprechen wir die Daten Überlastung Problem durch High-Throughput-biologische Experimente gebracht werden, und schlagen VA als eine Lösung für dieses Problem nicht. Das Video demonstriert Analyse innerhalb und zwischen den immunologischen Datensätze mit einem VA-Tool namens Tableau.

Erleichterung der Analyse der immunologischen Daten mit Visual analytischen Techniken

Dieser Beitrag stellt eine Durchflusszytometrie-basierte Methode, um das Immunsystem Zusammensetzung der Aorta zu untersuchen. Das Papier zeigt auch eine weitere Technik, die Prüfung umgebenden Adventitia und Gefäßwand getrennt werden können. Diese Methode eröffnet Möglichkeiten, um phänotypische Analysen der Aorta Leukozyten führen und in mehreren immunologischen Assays für die Atherosklerose-Studien.

Durchflusszytometrie-Analyse von Immunzellen innerhalb Murine Aorten

Lernen Sie die Analyse hochdimensionaler Durchflusszytometrie-Daten mit ExCYT, einer benutzerfreundlichen MATLAB-GUI. Diese Methode ermöglicht Forschern ohne Programmierkenntnisse die Dimensionsreduktion, Clustering und Visualisierung komplexer Zellpopulationen.

ExCYT: Eine grafische Benutzeroberfläche für die Straffung der Analyse hochdimensionaler Cytometry Daten

Weitere Videos entdecken