Name: Faciliter lanalyse des données immunologiques avec Visual techniques analytiques (Vidéo) | JoVE Journal
Uploaded: 2011-01-02T17:00:00.000+00:00
Duration: 10 min 58 s
Description: Découvrez l'analyse visuelle des données immunologiques avec Tableau pour identifier les tendances et les valeurs aberrantes. Cette méthode améliore l'efficacité de l'analyse des grands ensembles de données complexes.

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

Nous tenons à remercier les membres du Vancouver Institute of Visual Analytics (VIVA) pour offrir des commentaires et des conseils pour le projet. En particulier, nous tenons à remercier John Dill, Brian Fisher et David Darvill. Nous tenons également à remercier les membres du laboratoire de Kollmann pour leur soutien et des discussions utiles. Ce travail a été soutenu en partie par l&#39;Institut national des allergies et des maladies infectieuses, Institut national de santé Grant AI50023 N01; subventions des RCE AllerGen 07-07-A1A et B2B, et la Fondation Michael Smith pour la recherche en santé. TRK est soutenu en partie par une bourse de carrière dans les sciences biomédicales de l&#39;annonce du Burroughs Wellcome Fund par une subvention des Instituts canadiens de recherche en santé Formation Programme de santé des enfants canadiens clinicien-chercheur, en partenariat avec Sick Kids Foundation-, Child and Family Research Institute ( Colombie-Britannique), Femmes et Enfants Health Research Institute (Alberta), et au Manitoba Institute of Child Health.

1. Exploration de l'analyse comparative sur le Tableau <ol><li> Vous disposez d'un ensemble de données et que vous voulez explorer les différentes relations entre les colonnes dans les données. <ol><li> (Figure 1) Importer les données en cliquant sur «Se connecter aux données». Choisissez le type de source de données et suivez les instructions pour importer vos données. </li><li> (Figure 1) Assurez-vous que le plateau des dimensions contient des colonnes catégorielles tout le plateau de mesures contient des colonnes numériques de votre dataset. Parfois, une colonne de dimension tels que le code objet peut être répertorié comme mesure, si elle est numérotée. Changez les dimensions en cliquant-droit dessus et sélectionnez "Convertir en dimension. Dans la figure 1, colonnes catégorique de l'ensemble de données tels que le niveau de concentration de relance et les identificateurs de l'objet sont correctement placés dans étagères dimensions, et la concentration observée de cytokines sont correctement placés dans des mesures de conservation. </li><li> (Figure 2) Si, durant le processus d'analyse, un champ calculé est nécessaire, il suffit de faire un clic droit dans les deux dimensions ou une étagère mesures, et sélectionnez "Créer un champ calculé. Entrée dans le calcul de la zone de formule avec des champs combinée avec les fonctions ou des opérations mathématiques. La figure 2 montre comment créer un nouveau champ appelé VFI&gt; 2 en agrégeant PFD2, PFD3 et PFD4 valeurs. </li><li> (Figure 3) Générer une parcelle en 2-D dans le Tableau, généralement avec une dimension et une mesure d'intérêt. Depuis l'interface offre un simple glisser-déposer d'interaction, le choix de la dimension et la mesure peut être facilement changée. Les dimensions sont généralement placés dans des étagères des colonnes et des mesures de conservation des lignes. Dans la figure 3, le plateau des dimensions contient le niveau de concentration de relance, et la tablette contient des mesures niveau de concentration observée de cytokines. </li><li> (Figure 3) Afin de différencier la visualisation d'une dimension spécifique, placez cette étiquette dimension étagère texte, la couleur ou la taille, selon la nature de la dimension. Étagères texte tente de différencier les données dans la visualisation en les étiquetant avec des informations textuelles fournies par la dimension sélectionnée. Étagères couleur et la taille de différencier automatiquement les données par couleur et par taille, qui peut être réglé avec la barre de défilement située en bas de chaque étagère. Dans la figure 3, en plaçant le génotype étagère de couleur conduit à la séparation des trois génotypes par des couleurs distinctes. </li><li> (Figure 3) Filtre la visualisation par les variables de colonne spécifique dans une autre dimension. Cela peut être fait en faisant glisser l'étiquette de dimension dans le plateau du filtre. Une fenêtre apparaîtra avec la liste des valeurs à choisir. La valeur sélectionnée sera les seules valeurs restantes dans la visualisation. </li><li> (Figure 4) Vous pouvez combiner visualisation avec une autre dimension ou d'une mesure de produire une matrice de visualisation. Cela peut être fait en laissant tomber les multiples dimensions de conservation des colonnes et des mesures multiples dans le rayon des lignes. La figure 4 contient un exemple de deux-colonne de la matrice de visualisation en plaçant deux dimensions différentes dans le plateau colonnes. </li><li> Pour produire une visualisation semblables, faites un clic droit sur la feuille en cours sur le coin inférieur gauche, et choisis "feuille de duplicata». </li><li> Itérer le processus d'analyse pour identifier les tendances intéressantes ou aberrantes qui peuvent vous aider à générer de nouvelles hypothèses sur les données. </li></ol></li><li> Vous avez plusieurs données générées à partir de la même source, et que vous voulez explorer les liens possibles entre ces ensembles de données. <ol><li> Placez les ensembles de données multiples dans un même source, le lieu soit deux feuilles de calcul dans le même classeur, pour permettre Tableau de se connecter à ces données par la même connexion. </li><li> (Figure 5) Connecter les ensembles de données grâce à rejoindre logique des valeurs clés, en s'assurant que les dimensions qui sont les mêmes pour plusieurs ensembles de données sont sélectionnés. Dans la figure 5, il ya cinq valeurs clés pour joindre: identificateur du type de cellule, le niveau de concentration de relance, le stade ou à un groupe, de relance, et le sujet. </li><li> Effectuer une analyse similaire à l'article 1.1. </li></ol></li></ol> 2. Présentation basée sur les besoins <ol><li> Vous savez les relations entre les données, mais vous voulez être en mesure de générer rapidement une liste des visualisations pour une utilisation dans la présentation. <ol><li> Suivre le protocole décrit à la section 1.1, et d'annoter les visualisations en conséquence. </li><li> Utilisez la fonction d'exportation dans le Tableau de produire des images de visualisations. </li></ol></li><li> Vous avez généré un ensemble de visualisations puissant classeur Tableau et veulent partager ce classeur. <ol><li> Enregistrez le classeur en tant que classeur Tableau emballés et partager ce fichier. </li><li> Collègues de bureau, sans Tableau pouvez télécharger lecteur Tableau pour ouvrir le classeur emballés. Lecteur Tableau permet à vos collègues d'interagir avec les visualisations que vous avez créés. </li></ol></li></ol> 3. Les résultats représentatifs <img src="/files/ftp_upload/2397/2397fig1.jpg" alt="Figure 1" data-altupdatedat="1787634011000" data-alt="Figure 1"> Figure 1. Une capture d'écranTableau d'après l'importation du tableur appelé NFKBIA du demo.xls fichier Excel. Les dimensions et les étagères des mesures ont été correctement remplies avec les données catégoriques et numériques, respectivement. <img src="/files/ftp_upload/2397/2397fig2.jpg" alt="Figure 2" data-altupdatedat="1787634011000" data-alt="Figure 2"> Figure 2. La fenêtre champ calculé est appelé pour créer un champ spécial calculée à utiliser dans le Tableau. La liste sur le fond à gauche la boîte permet d'identifier les champs du possible, et la liste sur le côté droit contient abréviation de fonctions qui peuvent être utilisés dans la formule. Dans cet exemple, nous avons voulu ajouter les valeurs pour PFD4, PFD3 et PFD2 pour obtenir la valeur finale que nous appelons VFI&gt; 2 <img src="/files/ftp_upload/2397/2397fig3.jpg" alt="Figure 3" data-altupdatedat="1787634011000" data-alt="Figure 3"> Figure 3. Visualisation des niveaux de concentration de relance fonction de la concentration des cytokines observées. La visualisation montre un tracé des niveaux de concentration différents du stimulus 3M-002 contre la concentration observée de la cytokine TNF-α. Les couleurs des lignes se réfèrent à différents génotypes pour un polymorphisme nucléotidique du gène NFKBIA des individus dans notre étude immunitaire inné. <img src="/files/ftp_upload/2397/2397fig4.jpg" alt="Figure 4" data-altupdatedat="1787634011000" data-alt="Figure 4"> Figure 4. Une capture d'écran d'une matrice de visualisation à deux colonnes. Nous avons généré une matrice à deux colonnes pour faciliter une comparaison côte à côte des réponses aux deux stimuli, 3M-003 et LPS. Le x-axes sont les niveaux de concentration différents de ces deux stimuli, et les parcelles axe y les valeurs du champ calculé, VFI&gt; 2. <img src="/files/ftp_upload/2397/2397fig5.jpg" alt="Figure 5" data-altupdatedat="1787634011000" data-alt="Figure 5"> Figure 5. Ces fenêtres de dialogue Tableau illustrent comment connecter les données enregistrées dans des feuilles de calcul différentes. Connexion de données à partir des feuilles de calcul différente peut être accomplie en combinant ces logiques en utilisant des clauses JOIN de valeurs clés. <table border="1"><tbody><tr><td></td><td colspan="10"> Outil de visualisation et d'analyse </td></tr><tr><td> Fonction </td><td> Tableau </td><td> VIS-STAMP </td><td> xmdvtool </td><td> Ggobi </td><td> Lumière des étoiles </td><td> Gapminder </td><td> Visulab </td><td> InfoVis Toolkit </td><td> Geotime </td><td> Inspirent </td></tr><tr><td> Tracés parallèles de coordonnées </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Aucun </td></tr><tr><td> Matrices nuage de points </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td></tr><tr><td> Réduction dimensionnelle </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Aucun </td></tr><tr><td> Les dimensions temporelle </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Aucun </td></tr><tr><td> Les dimensions géospatiales </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Aucun </td></tr><tr><td> Le text mining </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Oui </td></tr><tr><td> La manipulation directe des données </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Aucun </td></tr><tr><td> Filtrage </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td></tr><tr><td> Extensibilité à d'autres plateformes (par exemple, R) </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Aucun </td><td> Aucun </td></tr><tr><td> Formats de tableau CSV </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td></tr><tr><td> XML des formats de données </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Aucun </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Aucun </td></tr><tr><td> Peut se débrouiller dans une0000 + lignes </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Oui </td></tr><tr><td> Documentation </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td><td> Oui </td></tr><tr><td> Le produit commercial </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Aucun </td><td> Aucun </td><td> Aucun </td><td> Oui </td><td> Oui </td></tr></tbody></table> Tableau 1. Liste des outils d'analyse visuelle et certaines de leurs caractéristiques.

<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>

L&#39;avènement de la technologie à haut débit dans la recherche biomédicale moderne, conduit à une explosion des données de recherche qui nécessite un moyen plus efficace de l&#39;analyse. Visuel Analytics (VA) est la science du raisonnement analytique facilité par les interfaces visuelles interactives (1). L&#39;approche VA restaure la puissance analytique dans les mains de l&#39;analyste humains, contrairement à l&#39;approche traditionnelle de détecter des modèles par ordinateur. Visuel d&#39;analyse a été appliquée...

faciliter l&#39;analyse des données immunologiques avec visual techniques analytiques

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Visuel Analytics (VA) a émergé comme une nouvelle manière d&#39;analyser grande base de données grâce à l&#39;affichage visuel interactif. Nous avons démontré l&#39;utilité et la souplesse d&#39;une approche de VA dans l&#39;analyse des ensembles de données biologiques. Des exemples de ces ensembles de données en immunologie incluent la cytométrie de flux, les données Luminex, et le génotypage (par exemple, single nucleotide polymorphism) des données. Contrairement à l&#39;approche de visualisation d&#39;information traditionnels, VA restaure la puissance d&#39;analyse dans les mains de l&#39;analyste, en permettant à l&#39;analyste de se livrer en temps réel processus d&#39;exploration de données. Nous avons choisi le logiciel VA appelé Tableau après avoir évalué plusieurs outils VA. Deux types de tâches d&#39;analyse d&#39;analyse au sein et entre les ensembles de données ont été démontrées dans la vidéo de présentation en utilisant une approche appelée analyse appariés. L&#39;analyse par paires, comme défini dans VA, est une approche d&#39;analyse dans lequel un expert outil de VA travaille côte à côte avec un expert du domaine lors de l&#39;analyse. L&#39;expert du domaine est celui qui comprend la signification des données, et pose les questions que les données recueillies pourraient adresse. L&#39;expert outil crée ensuite des visualisations pour aider à trouver des modèles dans les données qui pourraient répondre à ces questions. Le court temps de latence entre la génération d&#39;hypothèses et de l&#39;affichage visuel rapide des données est le principal avantage d&#39;une approche VA.

Visuel Analytics (VA) est une nouvelle approche d&#39;analyse des données de manière interactive. Dans cette vidéo, nous abordons le problème de surcharge de données provoquée par haut-débit les expériences biologiques, et de proposer VA comme une solution à ces problèmes. La vidéo démontre l&#39;analyse au sein et entre les ensembles de données immunologiques utilisant un outil appelé VA Tableau.

Faciliter l&#39;analyse des données immunologiques avec Visual techniques analytiques

L'analyse visuelle (AV) est apparue comme une nouvelle méthode d'analyse de grands ensembles de données grâce à l'affichage visuel interactif. Nous avons démontré l'utilité et le...

Faciliter l'analyse de données immunologiques à l'aide de techniques d'analyse visuelle. Alors que la capacité à collecter et stocker des données a progressé rapidement, la capacité à les traiter et à les analyser, par comparaison, a peu évolué. En conséquence, de grands ensembles de données existent souvent dans les laboratoires biomédicaux sans être analysés de manière efficace ou efficiente.Avec cela, des informations potentiellement riches et puissantes sont perdues dans l'abîme des systèmes de stockage. L'analyse visuelle, ou VA, s'est imposée comme une nouvelle méthode d'analyse de grands ensembles de données complexes. Les techniques de VA reposent sur des visualisations qui permettent aux analystes d'utiliser leur intelligence visuelle pour repérer des motifs dans les données, tels que des tendances générales ou des valeurs aberrantes.Ces visualisations rapides permettent une formation rapide d'hypothèses lors de l'exploration des données. La souplesse des outils d'analyse visuelle permet à l'analyste de zoomer, d'approfondir et d'établir des liens entre plusieurs ensembles de données tout en explorant leurs relations. Grâce à l'application de l'analyse visuelle à des sourc

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

Research

Recherche

JoVE Journal

Immunology and Infection

Immunologie et infection

Nous décrivons ici un workflow complet pour l’analyse qualitative et quantitative du système immunitaires synapses entre les cellules T humaines primaires et les cellules présentatrices d’antigène. La méthode est basée sur l’imagerie cytométrie en flux, qui permet l’acquisition et l’évaluation de plusieurs images de milliers de cellules dans un délai relativement court.

Analyse qualitative et Quantitative de la Synapse immunitaire dans le système humain à l’aide d’imagerie de cytométrie en flux

Étudier le microenvironnement tumoral peut identifier des biomarqueurs pronostiques ou prédictifs de la réponse clinique à l’immunothérapie. Présentée ici, une méthode innovatrice repose sur in situ par fluorescence multispectrale d’imagerie permettant d’analyser et de compter automatiquement différentes sous-populations de CD8+ T des cellules. Cette technique fiable et reproductible est adaptée pour les analyses de cohorte importante.

Multiplexés Immunofluorescence analyse et Quantification d’intratumorale PD-1+ + Tim-3 CD8+ T Cells

ExCYT est une base MATLAB utilisateur Interface graphique (GUI) qui permet aux utilisateurs d’analyser leurs données de cytométrie de flux via couramment employé des techniques d’analyse de données grande dimension, y compris la réduction de dimensionnalité via t-SNE, une variété d’automatisés et manuels parcelles de nouveaux flux de grande dimension, heatmaps et méthodes de clustering.

ExCYT : Une Interface graphique pour simplifier Analysis of High-Dimensional Data de cytométrie en flux

Ici, nous décrivons une stratégie simple et accessible pour visualiser, quantifier, et cartographier les cellules immunitaires dans les sections formelles de tissu tumoral paraffin-intégré. Cette méthodologie combine les techniques d’imagerie et d’analyse numérique existantes dans le but d’élargir la capacité de multiplexage et l’analyse multiparameter des essais d’imagerie.

Visualisation, quantification et cartographie des populations de cellules immunitaires dans le microenvironnement tumoral

À l’ère de l’immunothérapie et du profilage génomique unicellulaire, la biologie du cancer nécessite de nouveaux outils in vitro et informatiques pour étudier l’interface tumorale-immunitaire dans un contexte spatio-temporel approprié. Nous décrivons des protocoles pour exploiter les co-cultures microfluidiques immunitaires contre les tumeurs dans des contextes 2D et 3D, compatibles avec la surveillance dynamique et multiparamétrique des fonctions cellulaires.

Modèles de co-culture microfluidique pour disséquer la réponse immunitaire dans des microenvironnements tumoraux in vitro

L’analyse d’images de codes à barres multiplexés a récemment amélioré la caractérisation du microenvironnement tumoral, permettant des études approfondies de la composition cellulaire, de l’état fonctionnel et des interactions cellule-cellule. Nous décrivons ici un protocole de coloration et d’imagerie utilisant le codage à barres d’anticorps conjugués oligonucléotidiques et l’imagerie cyclique, qui permet l’utilisation d’une technique d’analyse d’images de haute dimension.

Analyse d’images de codes à barres multiplexés pour l’immunoprofilage et la caractérisation de la cartographie spatiale dans l’analyse unicellulaire d’échantillons de tissus de paraffine

Dans cet article, un protocole d’immunofluorescence multiplex (mIF) manuelle d’amplification du signal tyramide (TSA) combiné à l’analyse d’images et à l’analyse spatiale est décrit. Ce protocole peut être utilisé avec des coupes de paraffine fixées au formol (FFPE) pour la coloration de deux à six antigènes par lame selon le scanner de lames disponible en laboratoire.

Immunofluorescence multiplex combinée à l’analyse d’images spatiales pour l’évaluation clinique et biologique du microenvironnement tumoral

Ce protocole décrit en détail comment la caractérisation des cellules immunitaires du microenvironnement tumoral à l’aide de l’immunohistochimie multiplex est effectuée.

Analyse immunohistochimique multiplex du paysage cellulaire immunitaire spatial du microenvironnement tumoral

Nous décrivons ici un roman à forte teneur en test l'inflammation induite chimiquement visant à l'identification du système immunitaire modulateurs bioactifs. Nous avons réussi à combiner la microscopie automatisée avec des scripts logiciels développés permettant la quantification automatique de la réponse inflammatoire ainsi que la poursuite du traitement des données, l'analyse, l'exploitation minière, et le stockage.

Drug faciliter la découverte: Un test automatisé inflammation Haute-contenu chez le poisson zèbre

Ici, nous montrons le protocole pour l'imagerie par deux couleurs STED nanoscopie la synapse immunitaire cytotoxique des cellules NK récapitulés sur le verre. En utilisant cette méthode, on obtient la résolution nm sous-100 de protéines synaptiques et le cytosquelette.

Visualisation du immunologique Synapse par double couleur Temps-dépendants émission stimulée épuisement (STED) nanoscopie

Découvrez l'analyse visuelle des données immunologiques avec Tableau pour identifier les tendances et les valeurs aberrantes. Cette méthode améliore l'efficacité de l'analyse des grands ensembles de données complexes.

Faciliter l'analyse des données immunologiques avec Visual techniques analytiques

Explorer plus de vidéos