Name: ExCYT : Une Interface graphique pour simplifier Analysis of High-Dimensional Data de cytométrie en flux (Vidéo) | JoVE Journal
Uploaded: 2019-01-16T12:30:00.000+00:00
Duration: 5 min 12 s
Description: Découvrez l'analyse de données de cytométrie en flux hautement dimensionnelles avec ExCYT, une interface graphique MATLAB. Cette méthode permet aux chercheurs sans expérience en programmation de réaliser des réductions de dimensionnalité, des regroupements et des visualisations.

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

Les auteurs n’ont aucun remerciements.

1. collecte et préparation des données de la cytométrie en flux
<ol><li>Placez toutes les taches simples dans un dossier par eux-mêmes et étiquette sous le nom de canal (par un fluorophore, pas de marqueur).</li>
</ol>2. pré-Processing & Importation de données
<ol><li>Pour mettre en pause ou enregistrer tout au long de ce pipeline d’analyse, utilisez le bouton Save Workspace en bas à gauche du programme pour économiser l’espace de travail comme un '. MAT' fichier qui peut plus tard être chargé via le bouton Load Workspace . N’exécutez pas plusieurs instances du programme à la fois. Par conséquent, lors du chargement d’un nouvel espace de travail, assurez-vous de vérifier il n’y a aucune autre instance de ExCYT en cours d’exécution.</li>
	<li>Pour commencer le pipeline de l’analyse, tout d’abord sélectionner le type de cytométrie en flux (Flow Cytometry ou masse Cytometry – CYTOF), sous le numéro de certains Paramètres de sélection de fichier d’événements pour échantillonner à partir du fichier (pour cet exemple d’utilisation 2 000). Une fois que les données a été importées avec succès, une boîte de dialogue s’affiche pour informer l’utilisateur que les données ont été importées avec succès.</li>
	<li>Appuyez sur le bouton de Correction automatique pour effectuer une étape de correction automatique en option, comme fait par Bagwell & Adams9. Sélectionnez le répertoire contenant les taches simples. Sélectionnez l’échantillon sans coloration dans le dialogue d’interface utilisateur.<ol>
<li>Placer une porte vers l’avant/côté-scatter sur n’importe lequel des échantillons dans ce répertoire qui sera utilisé pour sélectionner des événements pour calculer la matrice de compensation. Il est recommandé d’utiliser l’échantillon non colorée à cet effet. À ce stade, un algorithme a été mis en œuvre pour définir des seuils conformément au 99ème percentile de l’échantillon non coloré pour définir les événements positifs dans chacune des taches simples pour calculer la matrice de compensation. Lorsque cela est terminé, une boîte de dialogue informe l’utilisateur que l’indemnité a été effectuée.</li>
	</ol>
</li>
	<li>Ensuite, appuyez sur la Porte de la Population et sélectionnez les populations de cellules d’intérêt, comme c’est la convention en écoulement cytometry analyses. Lorsque la population de cellules est sélectionnée, tapez le nombre de pourcentage d’analyse en aval des événements (en ce 10 000 événements).</li>
	<li>Ensuite, sélectionnez les chaînes numéros à utiliser pour l’analyse dans le contrôle listbox à l’extrême droite de la boîte de pré-traitement (utiliser les voies particulières indiquées dans l’exemple).</li>
</ol>3. t-SNE analyse
<ol><li>Appuyez sur la touche T-end pour que le programme commence début pour calculer l’ensemble de données dimensionnalité réduite pour la visualisation dans la fenêtre en dessous du bouton t-end. Pour enregistrer l’image de t-end, appuyez sur Enregistrer l’Image TSNE. Sur une machine avec 8 CPU @ 3.4 GHz chacun et 8 GM RAM cette étape devrait prendre environ 2 minutes pour 10 000 événements, 10 minutes pour 50 000 événements et à 20 minutes pour 100 000 événements.</li>
	<li>Pour créer un heatmap ' t-end ', comme on le voit dans plusieurs CYTOF publications10,11, sélectionnez une option dans le menu contextuel de Marqueur spécifique t-SNE (utiliser les marqueurs spécifiques CD64 ou CD3 tel qu’illustré dans l’exemple). Un chiffre s’affiche montrant une représentation heatmap de l’intrigue de t-SNE qui peut être sauvegardé pour la génération de la figure.</li>
	<li>Sélectionner des zones d’intérêt dans les parcelles de t-SNE par l’utilisateur pour approfondir les analyses en aval en utilisant le bouton de Porte t-end .</li>
</ol>4. l’analyse
<ol><li>Pour commencer l’analyse de cluster, sélectionnez une option dans la Méthode de Clustering listbox (dans cet exemple, nous DBSCAN avec un facteur de la distance de 5 dialogue box à droite de la zone de liste). Appuyez sur le bouton de Cluster .</li>
	<li>Utilisez l’une des options suivantes pour les algorithmes de regroupement automatisés trouvés dans le panneau « Paramètres automatisés de Clustering » :<ol>
<li>
KMEANS dur (sur t-end): appliquer les nuées aux données réduite 2 dimensions t-SNE k-means et exige que le nombre de clusters à fournir à l' algorithme12.</li>
		<li>
KMEANS dur (sur des données HD): appliquer clustering pour les données originales de grande dimension qui a été données à l’algorithme de t-SNE k-means. Une fois de plus, le nombre de clusters doit être fourni à l’algorithme.</li>
		<li>
DBSCAN : Appliquer la méthode de clustering de clustering, appelée Clustering Spatial axée sur la densité des Applications avec bruit13 clusters de données réduite 2 dimensions t-SNE, qui nécessite un facteur distance sans dimension qui détermine la taille générale de la clusters. Ce type d’algorithme de clustering est bien adapté au groupe la réduction t-end car il est capable de cluster non-sphéroïdal de cluster qui sont souvent présents dans la représentation réduite t-end. En outre, dû au fait qu’elle opère sur les données de dimension 2, il est l’un des algorithmes de regroupement plus rapidement.</li>
		<li>
Hiérarchique : Appliquer la méthode de clustering hiérarchique conventionnelle aux données haute dimension où la matrice de toute distance euclidienne est calculée entre tous les événements avant de fournir l’algorithme un facteur de distance qui définit la taille du cluster.</li>
		<li>
Graphique de réseau- Base : Appliquer une méthode de clustering qui a été récemment introduite en analysant les données de cytométrie de flux lorsqu’il y a des sous-populations rares que l’utilisateur veut détecter11,14. Cette méthode s’appuie sur la première création d’un graphique qui détermine les connexions entre tous les événements dans les données. Cette étape consiste à fournir un paramètre initial pour créer le graphique, ce qui correspond au nombre de k plus proches voisins. Ce paramètre définit généralement la taille des clusters. À ce stade, une autre boîte de dialogue s’affiche demandant à l’utilisateur d’employer une des 5 algorithmes de clustering qui s’applique à la courbe. Il s’agit de 3 options pour maximiser la modularité de la graphique, la méthode Danon et un spectrale algorithme clusters14,15,16,17,18. Si l'on veut une solution de clustering généralement plus rapidement, nous vous recommandons Spectral Clustering ou la maximisation de modularité rapide gourmand. Alors que les méthodes de maximisation de la modularité ainsi que la méthode Danon déterminer le nombre optimal de grappes, Spectral Clustering requiert le nombre de clusters à donner au programme.</li>
		<li>
Carte organise : Employer un réseau neuronal artificiel pour regrouper les données de grande dimension.</li>
		<li>
GMM – Expectation Maximization: créer un modèle gaussien de mélange à l’aide technique de l’EM (Expectation Maximization) pour regrouper les données de grande dimension. 19 ce type de méthode de clustering requiert également l’utilisateur d’entrer le nombre de clusters.</li>
		<li>
Variationnelle inférence bayésienne pour MGM: créer un modèle de mélange gaussien, mais contrairement à EM, il peut déterminer automatiquement le nombre des composants mélange k.20 alors que le programme n’exige pas un nombre de grappes à donner (plus grand que le prévu pour nombre de clusters), l’algorithme détermine le nombre optimal sur ses propres.</li>
	</ol>
</li>
	<li>Afin d’étudier un secteur particulier de l’intrigue de t-SNE, appuyez sur le bouton Sélectionner manuellement les Cluster dessiner un ensemble de groupes définis par l’utilisateur. À noter, grappes ne peuvent pas partager des membres (c'est-à-dire, chaque événement ne peut appartenir qu’à 1 cluster).</li>
</ol>5. groupe de Filtration
<ol><li>Ensemble des grappes identifié soit manuellement ou via une des méthodes automatiques décrits ci-dessus peut être par l’intermédiaire du filtre comme suit.<ol>
<li>Pour trier les grappes (dans le panneau Filtre Cluster ) par l’un des marqueurs mesurées dans l’expérience, sélectionnez une option dans le menu contextuel de la sorte . Pour définir si la commande est croissant ou décroissant, appuyez sur le bouton Croissant/décroissant vers la droite de la liste déroulante Trier . Cette mise à jour de la liste des regroupements dans la zone de liste « Clusters (Filtration) » et les réorganiser dans l’ordre décroissant de l’expression de groupe médian de ce marqueur. Le pourcentage indiqué dans la liste déroulante « Clusters (Filtration) » indique le pourcentage de la population qui représente ce cluster.</li>
		<li>Pour définir une valeur de seuil minimum pour un cluster donné dans un certain canal, sélectionnez une option dans le menu contextuel de seuil (dans cet exemple nous le marqueur CD65 et un seuil à 0,75). Tapez une valeur dans la zone numérique au-dessous du graphique ou utilisez le curseur pour définir un seuil. Une fois que le seuil est défini, appuyez sur Ajouter au-dessus de seuil ou Ajouter ci-dessous seuil pour spécifier le sens du seuil. Une fois ce seuil a été fixé, il apparaît dans la boîte de seuils à côté du panneau « Cluster Filter » où le marqueur, la valeur de seuil et la direction apparaît si l’utilisateur est au courant de quels seuils sont actuellement appliquées. Enfin, l’intrigue de t-SNE mettra à jour par brouiller les clusters qui ne satisfont pas aux exigences de la filtration et la zone de liste « Clusters (Filtration) » mettra à jour pour afficher les groupes qui répondent aux exigences de filtration.</li>
		<li>Pour définir un seuil minimum pour la fréquence d’un cluster, entrez un seuil numérique du Cluster seuil de fréquence (%) boîte dans le panneau filtre Cluster (dans cet exemple d’utilisation 1 %).</li>
	</ol>
</li>
</ol>6. analyse et visualisation de cluster
<ol><li>Pour sélectionner des groupes pour une analyse et de visualisation, sélectionnez clusters dans listbox de Clusters (Filtration) et appuyez sur le bouton à sélectionner pour les déplacer vers le Cluster analyser listbox.</li>
	<li>Pour créer heatmaps des grappes, sélectionnez les groupes d’intérêt dans la listbox Cluster analyser et appuyez sur le bouton HeatMap de Clusters . Lorsque cette touche est enfoncée, un chiffre s’affiche contenant une carte de chaleur ainsi que des dendrogrammes sur les axes de cluster et de paramètre. Le dendrogramme sur l’axe vertical regroupera les grappes par ceux qui sont proches tout en le dendrogramme sur l’horizontale axe regroupera les marqueurs qui résultent de la collaboration. Pour enregistrer le heatmap, appuyez sur fichier | Exporter la configuration | Export.
</li>
	<li>Pour créer une « Haute dimensions Box Plot » ou « Haute dimensions Flow Plot », sélectionnez les groupes d’intérêt dans la listbox Cluster analyser et appuyez sur le bouton Haut dimensions Box Plot ou le bouton Haut dimensionnelle Flow Plot . Ces emplacements peuvent servir à évaluer visuellement la distribution de donné des canaux de différents groupes à travers toutes les dimensions.</li>
	<li>Pour afficher les grappes dans les parcelles de flux 2D traditionnel, sélectionnez la transformation (linéaire, log10, arcsinh) et canal dans le panneau de Tracer des flux classiques et appuyez sur classiques flux 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>

Les auteurs n’ont rien à divulguer.

Nous présentons ici ExCYT, une nouvelle interface graphique exécute des algorithmes MATLAB pour simplifier l’analyse des données de grande dimension de cytométrie en flux, permettant aux individus avec aucune expérience en programmation pour mettre en œuvre plus tard dans des données de grande dimension algorithmes d’analyse. La disponibilité de ce logiciel à l’ensemble de la communauté scientifique permettra aux chercheurs d’explorer leurs données de cytométrie en flux dans un flux de travail intuitif et simple. Grâce à...

Avances en cytométrie de flux ainsi que l’avènement de la cytométrie en flux massique a permis de cliniciens et chercheurs pour rapidement identifier et caractériser phénotypiquement échantillons intéressants sur le plan clinique et biologique avec nouveaux niveaux de résolution, créant de grandes ensembles de données grande dimension qui sont information riche1,2,3. Alors que les méthodes conventionnelles pour l’analyse des données de cytométrie en flux tels que déclenchement manuel ont été plus simples pour des expériences où il y a quelques marqueurs et ces marqueurs ont une population identifiable visuellement, cette approche peut ne pas générer résultats reproductibles lors de l’analyse des ensembles de données plus grande dimension ou ceux avec des marqueurs de coloration sur un spectre. Par exemple, dans une étude multi-établissements, où intra-cellulaire coloration (ICS) essais étaient exécutés afin d’évaluer la reproductibilité de la quantification des réponses spécifiques à l’antigène des lymphocytes T, malgré la bonne précision, analyse, en particulier Gate, a présenté une importante source de variabilité4. En outre, le processus de blocage manuellement des intérêts, en plus d’être très subjective, la population est très chronophage et labor intensive. Toutefois, le problème de l’analyse de grande dimension des ensembles de données de manière fiable, efficace et en temps opportun n’est pas une nouvelle pour la recherche en sciences. Études d’expression de gène génèrent souvent de très grande dimension des ensembles de données (souvent de l’ordre des centaines de gènes) où manuels formes d’analyse serait tout simplement impossible. Afin de s’attaquer à l’analyse de ces ensembles de données, il y a eu beaucoup de travail à concevoir des outils bioinformatiques pour analyser l’expression de gène données5. Ces approches algorithmiques viennent d’être récemment adoptés dans l’analyse de cytométrie de flux de données comme le nombre de paramètres a augmenté et s’est avérés pour être précieux dans l’analyse de ces ensembles de données dimensionnelles élevées6,7.
Malgré la génération et l’application d’une variété d’algorithmes et de logiciels qui permettent aux scientifiques d’appliquer ces approches bioinformatiques de grande dimension à leurs données de cytométrie de flux, ces techniques d’analyse restent encore peu utilisés. Alors qu’il peut y avoir une variété de facteurs qui ont limité l’adoption généralisée de ces approches de la cytométrie de flux de données8, l’obstacle majeur, nous croyons en l’utilisation de ces approches par les scientifiques, est un manque de connaissances informatiques. En fait, beaucoup de ces logiciels (c.-à-d., flowCore, flowMeans et OpenCyto) sont écrites en langages de programmation tels que R qui nécessitent encore des connaissances en programmation fond. Paquets de logiciels tels que FlowJo ont trouvé faveur parmi les scientifiques en raison de la simplicité d’utilisation et nature « plug-n-play », ainsi que la compatibilité avec le système d’exploitation de PC. Afin d’assurer la variété des techniques analytiques reconnues et précieux à la programmation non familiers du scientifique, nous avons développé ExCYT, une interface utilisateur graphique (GUI) qui peut être facilement installée sur un PC/Mac qui tire beaucoup de techniques les plus récentes y compris réduction dimensionnelle pour une visualisation intuitive, une variété de méthodes de clustering citée dans la littérature, ainsi que de nouvelles fonctionnalités à explorer la sortie de ces algorithmes à des parcelles de grande dimension flux/BTE heatmaps et roman de clustering.
ExCYT est une interface graphique construite en MATLAB et par conséquent peut soit être exécuté au sein de MATLAB directement ou un programme d’installation est fournie qui peut être utilisé pour installer le logiciel sur n’importe quel PC/Mac. Le logiciel est disponible à https://github.com/sidhomj/ExCYT. Nous présentons un protocole détaillé pour savoir comment importer des données, pré-traiter, effectuer la réduction dimensionnelle t-SNE, de données de cluster, de sorte et filtrer les grappes basés sur les préférences de l’utilisateur et afficher des informations sur les groupes d’intérêt via heatmaps et roman emplacements de grande dimension flux/boîte ()Figure 1). Axes dans les parcelles de t-SNE sont arbitraires et en unités arbitraires et comme tel, comme le ne montre pas toujours les chiffres pour la simplicité de l’utilisateur de l’interface. La coloration des points de données dans le « t-SNE Heatmaps » est du bleu au jaune fondée sur le signal du marqueur indiqué. Dans les solutions de clustering, la couleur du point de données est issue des arbitraires numéro de cluster. Toutes les parties du flux de travail peuvent être effectués dans le seul panneau GUI ()Figure 2 & tableau 1). Enfin, nous allons démontrer l’utilisation de ExCYT sur les données publiées antérieurement explorant le paysage immunitaire du carcinome à cellules rénales dans la littérature, également analysée avec des méthodes similaires. L’exemple de dataset que nous permet de créer les chiffres dans ce manuscrit, ainsi que le protocole ci-dessous se trouvent à https://premium.cytobank.org/cytobank/projects/875, lors de leur inscription à un compte.

<table><tbody><tr><td>Ordinateur de bureau</td><td>SuperMicro</td><td>Custom Build</td><td>Ordinateur utilisé pour exécuter l’analyse</td></tr><tr><td>MATLAB</td><td>Mathworks</td><td>N/A</td><td>Logiciel utilisé pour développer ExCYT</td></tr></tbody></table>

excyt : une interface graphique pour simplifier analysis of high-dimensional data de cytométrie en flux

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

Avec l’avènement des cytomètres capable de mesurer un nombre croissant de paramètres, les scientifiques continuent à développer de grands panneaux pour explorer phénotypiquement caractéristiques de leurs échantillons cellulaires. Toutefois, ces progrès technologiques donnent des ensembles de données grande dimension qui sont devenus de plus en plus difficiles d’analyser objectivement au sein de programmes blocage manuel traditionnels. Afin de mieux analyser et présenter des données, les scientifiques en partenariat avec bioinformaticiens ayant une expertise dans l’analyse des données de grande dimension pour analyser leurs données de cytométrie de flux. Ces méthodes ont été montré pour être très utiles dans l’étude de cytométrie en flux, ils doivent encore être intégré dans un paquet simple et facile à utiliser pour les scientifiques qui manquent d’expertise informatique ou programmation. Pour répondre à ce besoin, nous avons développé ExCYT, une base MATLAB utilisateur Interface graphique (GUI) qui simplifie l’analyse des données de cytométrie en flux de grande dimension en mettant en œuvre des techniques d’analyse couramment utilisés pour les données de grande dimension, y compris parcelles de réduction dimensionnelle par t-end, une variété de méthodes de clustering automatisés et manuels, heatmaps et nouveaux flux de grande dimension. En outre, ExCYT fournit des options de blocage traditionnelles des populations choisies d’intérêt pour les autres t-end et le clustering analyse ainsi que la possibilité d’appliquer des portes directement sur des parcelles de t-end. Le logiciel offre l’avantage supplémentaire de travailler avec soit compensée ou des fichiers de FCS sans compensation. Dans le cas où la compensation après l’acquisition est nécessaire, l’utilisateur peut choisir de fournir le programme, un répertoire des taches simples et un échantillon non coloré. Le programme détecte les événements positifs dans tous les canaux et utilise ces données select plus objectivement calculer la matrice de compensation. En résumé, ExCYT fournit un pipeline d’analyse complète pour prendre des données de cytométrie de flux sous la forme de fichiers FCS et permettre à toute personne, quelle que soit la formation informatique, d’utiliser les dernières approches algorithmiques dans la compréhension de leurs données.

Afin de tester la facilité d’utilisation de ExCYT, nous avons analysé un ensemble de données curated publié par Chevrier et al. , intitulé « An Immune Atlas de claire cellule carcinome rénal » où le groupe a effectué CyTOF analyse avec un vaste panneau immunitaire sur des échantillons de tumeur provenant de 73 les patients11. Deux panneaux séparés, un panneau myéloïde et lymphoïde, ont servi à caractériser phénotypiquement le microenvironnement tumoral. L’...

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

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

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.

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

Research

Recherche

JoVE Journal

Immunology and Infection

Immunologie et infection

Cette vidéo présente un test permettant d’analyser les lymphocytes T CD8+ spécifiques de l’antigène à différentes étapes du cycle cellulaire. Les cellules viables marquées par fluorescence sont sélectionnées à l’aide de la cytométrie en flux, et les cellules des différentes étapes du cycle cellulaire sont identifiées par leur contenu en ADN à l’aide d’anticorps contre les protéines nucléaires associées à la prolifération cellulaire et d’une coloration d’acide nucléique.

Un test pour l’analyse du cycle cellulaire des lymphocytes T CD8+ spécifiques de l’antigène

Cet article décrit la collecte et le traitement d’échantillons pour l’analyse par cytométrie de masse.

Préparation d&#39;échantillons pour l&#39;analyse de masse Cytométrie

Analyse en cytométrie en flux s’est avérée précieuse pour enquêter sur des cultures pures et le contrôle dynamique des communautés microbiennes. Nous présentons trois flux de travail complet, de prélèvement d’échantillons pour l’analyse des données, des cultures pures et communautés complexes dans un milieu claire ainsi que dans des matrices difficiles, respectivement.

CARACTERISATION Microbiome dynamique – écoulement Cytometry basé dans les Workflows de Cultures pures des communautés naturelles

Cytofast est un outil de visualisation utilisé pour analyser la sortie du clustering. Cytofast peut être utilisé pour comparer deux méthodes de clustering: FlowSOM et Cytosplore. Cytofast peut rapidement générer un aperçu quantitatif et qualitatif des données de cytométrie de masse et mettre en évidence les principales différences entre les différents algorithmes de clustering.

Visualisation et quantification des données de cytométrie à haute dimension à l'aide de Cytofast et des méthodes de clustering en amont FlowSOM et Cytosplore

Présenté ici est une technique basée sur la cytométrie de flux qui permet de mesurer simultanément le nombre de divisions cellulaires, le phénotype des cellules de surface et la parenté cellulaire. Ces propriétés peuvent être testées statistiquement à l’aide d’un framework basé sur la permutation.

Évaluation simultanée de la parenté, du numéro de division et du phénotype par cytométrie en flux pour les cellules souches hématopoïétiques et progénitrices

La description ici est une méthode qui peut être utilisée pour imager cinq paramètres fluorescents ou plus par microscopie immunofluorescente. Un pipeline d’analyse permettant d’extraire des cellules uniques à partir de ces images et d’effectuer des analyses de cellules uniques à l’aide de stratégies de type cytométrie en flux est décrit, qui permet d’identifier des sous-ensembles de cellules dans des coupes de tissus.

Génération et analyse d’images histologiques à paramètres élevés avec la cytométrie en flux histologique

Ce protocole fournit une ligne directrice complète pour la mise en place et le suivi quantitatif des co-cultures, y compris les cyanobactéries photoautotrophes sécrétant du sucre et les levures hétérotrophes.

Assemblage et quantification de co-cultures combinant des levures hétérotrophes avec des cyanobactéries phototrophes sécrétant du sucre

L’analyse précise des données de microscopie multidimensionnelle nécessite des flux de travail complexes. Cet article vous explique comment utiliser le logiciel Cell-ACDC. Il s’appuie sur des modèles de pointe basés sur l’IA pour la segmentation, le suivi, l’analyse du pedigree cellulaire et la quantification des données de microscopie. De manière cruciale, il complète ces modèles avec un cadre innovant pour la correction semi-automatisée de la sortie des modèles.

Analyse de données de microscopie multidimensionnelle à l’aide de Cell-ACDC

Visuel Analytics (VA) est une nouvelle approche d'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'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

Cet article présente une cytométrie en flux à base méthode pour étudier la composition immunitaire des aortes. Le document montre aussi une technique supplémentaire qui permet d'examiner l'adventice environnante et paroi de la cuve séparément. Cette méthode ouvre des possibilités d'effectuer des analyses phénotypiques des leucocytes aortique et appliquer plusieurs tests immunologiques pour les études de l'athérosclérose.

Débit analyse par cytométrie de cellules immunitaires dans aortes murin

Découvrez l'analyse de données de cytométrie en flux hautement dimensionnelles avec ExCYT, une interface graphique MATLAB. Cette méthode permet aux chercheurs sans expérience en programmation de réaliser des réductions de dimensionnalité, des regroupements et des visualisations.

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

Explorer plus de vidéos