ExCYT : Une Interface graphique pour simplifier Analysis of High-Dimensional Data de cytométrie en flux
16 janvier 2019
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.
Cette méthode peut aider à répondre à des questions clés dans le domaine biomédical, comme la compréhension du phénotype de sous-populations biologiquement pertinentes. Le principal avantage de cette technique est qu’elle permet à un individu sans expérience de programmation d’analyser ses données de cytométrie avec les dernières techniques de haute dimension. Pour commencer un pipeline d’analyse, sélectionnez d’abord le type de cytométrie et le nombre d’événements à échantillonner dans le fichier.
Ensuite, cliquez sur Gate Population, sélectionnez les populations cellulaires d’intérêt et entrez le pourcentage d’événements pour analyse en aval. Sélectionnez ensuite le nombre de canaux à utiliser pour l’analyse dans la boîte de liste. Pour l’intégration du voisin stochastique distribuée en T, ou l’analyse t-SNE, cliquez sur t-SNE pour commencer à calculer l’ensemble de données de dimensionnalité réduite.
Lorsque l’ensemble a été calculé, cliquez sur Enregistrer l’image TSNE et dans le menu popup t-SNE spécifique au marqueur, sélectionnez un marqueur d’intérêt spécifique. Une figure apparaîtra montrant une représentation de la carte thermique de l’intrigue t-SNE qui peut être enregistrée pour la génération de chiffres. Pour commencer l’analyse de clustering, sélectionnez une option dans la boîte de liste de méthode de clustering, et cliquez sur Cluster.
Pour trier les clusters par un marqueur d’intérêt, sélectionnez l’option correspondante appropriée dans le menu Sort popup, et cliquez sur Ascendant, Descente, pour mettre à jour la liste des clusters dans la boîte de liste clusters. Pour définir une valeur seuil minimale pour un cluster donné sur un certain canal, sélectionnez une option dans le menu popup Threshold et fixez un seuil approprié. Une fois le seuil défini, cliquez sur Ajouter au-dessus du seuil, ou Ajouter en dessous du seuil, pour spécifier la direction du seuil, et entrez une coupure numérique dans la case Seuil de fréquence de cluster, dans le panneau filtre cluster, pour définir un seuil minimal pour la fréquence d’un cluster.
Pour sélectionner des clusters pour une analyse plus approfondie de l’individualisation, sélectionnez les clusters d’intérêt, dans la boîte de liste clusters. Et utilisez le bouton Sélectionnez, pour déplacer les options vers la boîte de liste Cluster Analyze. Pour créer des cartes thermiques des clusters, sélectionnez les clusters d’intérêt dans la boîte de liste Cluster Analyze et cliquez sur le bouton HeatMap of Clusters.
Pour créer une parcelle de boîte haute dimensionnelle, ou une parcelle de flux de haute dimension, sélectionnez les clusters d’intérêt dans la boîte de liste Cluster Analyze, et cliquez soit sur High-Dimensional Box Plot, ou High-Dimensional Flow Plot, pour évaluer visuellement la distribution de canaux donnés de différents clusters dans toutes les dimensions. Pour afficher les clusters dans les parcelles de flux 2D traditionnelles, sélectionnez la transformation et le canal appropriés dans le panneau Conventional Flow Plot, et cliquez sur Conventional Flow Plot. Ici, une analyse représentative t-SNE des cartes thermiques pour divers marqueurs dans un pipeline d’analyse de panneau myéloïde, sont montrés.
En utilisant la mise en œuvre rapide et gourmande au sein d’ExCYT pour regrouper les données avec 100 000 des voisins les plus proches, 19 sous-populations de cellules ont été révélées. La comparaison des cartes thermiques originales avec les grappes créées par ExCYT a permis d’identifier des grappes similaires des cellules myéloïdes entre les deux groupes de données. L’analyse du panneau lymphoïde avec une approche hiérarchique plus conventionnelle et plus rapide de regroupement, a donné des distributions semblables de marqueur par l’intermédiaire des cartes thermiques de t-SNE.
En outre, le regroupement des données par clustering hiérarchique a démontré des grappes similaires de cellules lymphoïdes. Notamment, une population unique de cellules T réglementaires a également été identifiée par l’intermédiaire d’une parcelle de débit de haute dimension. Pour évaluer rapidement et quantitativement les co-associations entre les marqueurs, un algorithme de clustering k-means dur a d’abord été utilisé pour poser 5000 clusters sur les données bidimensionnelles t-SNE.
L’expression médiane de tous les marqueurs de tous les clusters a ensuite été utilisée, pour créer une carte thermique à partir de ces clusters, permettant d’identifier facilement les co-associations, telles que la co-association de Tim-3, PD-1, CD38 et 4-1BB. Tout en essayant cette procédure, il est important de se rappeler d’explorer les différents paramètres, tels que les différentes méthodes de clustering, pour explorer pleinement les données que vous étudiez.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
ExCYT est une interface graphique basée sur MATLAB conçue pour analyser les données de cytométrie en flux en utilisant des techniques analytiques avancées. Elle permet aux utilisateurs sans expérience en programmation d'effectuer une réduction de dimensionnalité, du clustering et la visualisation de données à haute dimensionnalité.
Composantes clés de l'étude
Domaine scientifique
- Cytométrie en flux
- Analyse de données
- Recherche biomédicale
Contexte
- La cytométrie en flux est cruciale pour l'analyse des populations cellulaires.
- L'analyse de données à haute dimensionnalité est essentielle pour comprendre les systèmes biologiques complexes.
- ExCYT simplifie le processus d'analyse pour les non-programmeurs.
- Les techniques de réduction de dimensionnalité comme t-SNE sont vitales pour visualiser les données.
Objectif de l'étude
- Fournir une interface conviviale pour l'analyse des données de cytométrie en flux.
- Faciliter la compréhension des sous-populations biologiquement pertinentes.
- Permettre aux chercheurs d'utiliser des techniques analytiques avancées sans compétences en codage.
Méthodes utilisées
- Sélection du type de cytométrie et de l'échantillonnage des événements.
- Délimitation des populations cellulaires pour l'analyse.
- Utilisation de t-SNE pour la réduction de dimensionnalité.
- Création de heatmaps et de graphiques de flux à haute dimensionnalité.
Résultats principaux
- ExCYT permet une analyse efficace des données complexes de cytométrie en flux.
- Les utilisateurs peuvent visualiser et interpréter facilement des ensembles de données à haute dimensionnalité.
- L'interface graphique prend en charge des méthodes de clustering automatisées et manuelles.
- Facilite l'identification des populations cellulaires pertinentes.
Conclusions
- ExCYT est un outil puissant pour les chercheurs dans le domaine biomédical.
- Il démocratise l'accès aux techniques d'analyse de données avancées.
- Le logiciel améliore la compréhension des phénotypes cellulaires.
Questions fréquemment posées
Executive Industry Relevance
ExCYT addresses the growing challenge of analyzing high-dimensional cytometry data in drug discovery by providing a no-code interface for advanced analytical techniques. This enables broader access to phenotypic screening and target validation workflows, reducing dependency on bioinformatics specialists and accelerating early discovery decisions. The tool supports mechanistic de-risking by facilitating objective identification of biologically relevant sub-populations from complex datasets.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through unbiased phenotypic exploration of cellular heterogeneity.
- Operational Value: Supports functional target validation by identifying and characterizing drug-responsive cell populations without manual gating bias.
- Predictive Value: Increases confidence in target selection by revealing co-expression patterns of immune checkpoints and activation markers.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream screening by defining phenotypically distinct clusters using t-SNE and clustering.
- Operational Value: Enhances assay standardization through reproducible dimensionality reduction and cluster identification across compensated and uncompensated FCS files.
- Scalability: Enables platform reuse across diverse immunology and oncology panels via flexible channel selection and threshold-based filtering.
Translational & Preclinical Research
- Translational Continuity: Supports disease-relevant system analysis by linking marker co-associations (e.g., Tim-3, PD-1, CD38, 4-1BB) to functional phenotypes.
- Mechanistic De-risking: Facilitates preclinical validation by visualizing high-dimensional flow plots that reveal rare populations like regulatory T cells.
- Risk-Adjusted Advancement: Enables data-driven go/no-go decisions through quantitative cluster frequency thresholds and sorting capabilities.
Pipeline & Workflow Integration
ExCYT fits within the discovery continuum from early hypothesis testing to lead identification by transforming raw cytometry data into actionable phenotypic insights that inform target selection and compound screening readiness.
- Discovery Biology: Supports hypothesis testing and pathway clarification by enabling objective clustering of immunophenotypes from high-dimensional panels.
- Screening: Delivers assay readiness through reproducible t-SNE visualization and cluster isolation for downstream functional validation.
- Analytics: Provides quantitative outputs including heatmaps, cluster frequency thresholds, and high-dimensional flow plots for cross-condition comparison.
- Translational Research: Connects discovery to preclinical work by identifying translationally relevant biomarker co-expression patterns.
- Enterprise Reuse: Functions as a reusable analytical platform across projects due to its support for diverse cytometry types and unsupervised/supervised workflows.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity through unbiased clustering.
- Operational Value: Improves standardization and scalability via GUI-driven automation of t-SNE, clustering, and gating workflows.
- Strategic Value: Enhances capital efficiency by enabling broader team access to advanced analytics, reducing bottlenecks in data interpretation.
- Portfolio Impact: Supports risk-adjusted prioritization by delivering quantitative cluster metrics that inform advancement decisions.
Implementation Considerations
- Requires familiarity with cytometry experimental design and marker panel selection.
- Needs MATLAB runtime environment and access to FCS file data infrastructure.
- Benefits from cross-team standardization on gating strategies and clustering parameters for reproducible results.
- Adaptation considerations include adjusting t-SNE perplexity and cluster thresholds based on biological system complexity.
- Practical limitation: Performance may vary with extremely large datasets (>1M events) without downstream sampling.
