Name: Ułatwienie analizy danych immunologicznych za pomocą wizualnych technik analitycznych (Wideo) | JoVE Journal
Uploaded: 2011-01-02T17:00:00.000+00:00
Duration: 10 min 58 s
Description: Poznaj techniki wizualnej analizy danych immunologicznych wykorzystujące narzędzie Tableau. Ta metoda pozwala badaczom szybko identyfikować wzorce i trendy w złożonych zbiorach danych biomedycznych.

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

Pragniemy podziękować członkom Vancouver Institute of Visual Analytics (VIVA) za uwagi i rady dotyczące projektu. W szczególności dziękujemy Johnowi Dillowi, Brianowi Fisherowi oraz Davidowi Darvillowi. Chcielibyśmy również podziękować członkom laboratorium Kollmanna za wsparcie i pomocne dyskusje. Praca ta była częściowo finansowana przez National Institute of Allergy and Infectious Diseases, National Institute of Health Grant N01 AI50023; AllerGen NCE Grants 07-A1A i 07-B2B oraz Michael Smith Foundation for Health Research. T.R.K. jest częściowo wspierany przez Career Award in the Biomedical Science z funduszu Burroughs Wellcome Fund oraz przez grant szkoleniowy Canadian Institutes for Health Research w ramach Canadian Child Health Clinician Scientist Program, w partnerstwie z Sick-Kids Foundation, Child and Family Research Institute (British Columbia), Women and Children's Health Research Institute (Alberta) oraz Manitoba Institute of Child Health.

1. Analiza oparta na eksploracji w programie Tableau
<ol>
<li>Posiadasz zestaw danych i chcesz zbadać różne zależności między kolumnami w obrębie tych danych.
<ol>
<li>(Rysunek 1) Zaimportuj zestaw danych, klikając „Connect to data”. Wybierz typ źródła danych i postępuj zgodnie z instrukcjami, aby zaimportować swój zestaw danych.</li>
<li>(Rysunek 1) Upewnij się, że półka wymiarów (dimensions) zawiera kolumny kategoryczne, a półka miar (measures) zawiera kolumny numeryczne z Twojego zestawu danych. Czasami kolumna wymiaru, taka jak identyfikator badanego, może zostać wyświetlona jako miara, jeśli składa się z liczb. Zmień ją na wymiar, klikając na niej prawym przyciskiem myszy i wybierając „Convert to Dimension”. Na Rysunku 1 kolumny kategoryczne z zestawu danych, takie jak poziom stężenia bodźca i identyfikatory badanych, są prawidłowo umieszczone na półce wymiarów, a obserwowane stężenia cytokin są prawidłowo umieszczone na półce miar.</li>
<li>(Rysunek 2) Jeśli w procesie analizy wymagane jest pole obliczeniowe, po prostu kliknij prawym przyciskiem myszy na półce wymiarów lub miar i wybierz „Create Calculated Field”. Wprowadź obliczenie w polu formuły, łącząc pola za pomocą funkcji lub operacji matematycznych. Rysunek 2 pokazuje, jak utworzyć nowe pole o nazwie PFD &gt; 2 poprzez agregację wartości PFD2, PFD3 i PFD4.</li>
<li>(Rysunek 3) Wygeneruj wykres 2D w Tableau, zazwyczaj z wymiarem i miarą, które Cię interesują. Ponieważ interfejs oferuje prostą interakcję typu przeciągnij i upuść, wybór wymiaru i miary można łatwo zmienić. Wymiary są zazwyczaj umieszczane na półce kolumn, a miary na półce wierszy. Na Rysunku 3 półka wymiarów zawiera poziom stężenia bodźca, a półka miar zawiera obserwowany poziom stężenia cytokin.</li>
<li>(Rysunek 3) Aby zróżnicować wizualizację według konkretnego wymiaru, umieść etykietę tego wymiaru na półce tekstu, koloru lub rozmiaru, w zależności od charakteru wymiaru. Półka tekstu próbuje zróżnicować dane w wizualizacji poprzez ich opisanie informacjami tekstowymi dostarczonymi przez wybrany wymiar. Półki koloru i rozmiaru automatycznie zróżnicują dane pod względem koloru i rozmiaru, co można dostosować za pomocą paska przewijania znajdującego się na dole każdej półki. Na rysunku 3 umieszczenie genotypu na półce koloru prowadzi do rozdzielenia trzech genotypów za pomocą odrębnych kolorów.</li>
<li>(Rysunek 3) Przefiltruj wizualizację według konkretnych zmiennych kolumn w innym wymiarze. Można to zrobić, przeciągając etykietę wymiaru na półkę filtrów. Pojawi się okno z listą wartości do wyboru. Wybrana wartość będzie jedyną wartością pozostającą w wizualizacji.</li>
<li>(Rysunek 4) Możesz połączyć wizualizację z innym wymiarem lub miarą, aby stworzyć macierz wizualizacji. Można to zrobić, upuszczając wiele wymiarów na półce kolumn i wiele miar na półce wierszy. Rysunek 4 zawiera przykład dwukolumnowej macierzy wizualizacji poprzez umieszczenie dwóch różnych wymiarów na półce kolumn.</li>
<li>Aby stworzyć podobną wizualizację, kliknij prawym przyciskiem myszy na aktualnym arkuszu w lewym dolnym rogu i wybierz „duplicate sheet”.</li>
<li>Powtarzaj proces analizy, aby zidentyfikować interesujące trendy lub wartości odstające, które mogą pomóc w sformułowaniu nowych hipotez dotyczących danych.</li>
</ol>
</li>
<li>Posiadasz wiele zestawów danych wygenerowanych z tego samego źródła i chcesz zbadać możliwe powiązania między nimi.
<ol>
<li>Umieść wiele zestawów danych w tym samym źródle, np. dwa arkusze kalkulacyjne w jednym skoroszycie, aby umożliwić programowi Tableau połączenie się z tymi zestawami danych za pomocą tego samego połączenia.</li>
<li>(Rysunek 5) Połącz zestawy danych poprzez logiczne złączenie (logical join) wartości kluczy, upewniając się, że wybrano wymiary, które są wspólne dla wielu zestawów danych. Na Rysunku 5 znajduje się pięć wartości kluczy służących do łączenia: typ komórki, poziom stężenia bodźca, etap lub grupa, bodziec oraz identyfikator badanego.</li>
<li>Przeprowadź analizę analogiczną do sekcji 1.1.</li>
</ol>
</li>
</ol>
2. Potrzeby wynikające z prezentacji
<ol>
<li>Znasz relacje między danymi, ale chcesz mieć możliwość szybkiego generowania listy wizualizacji do wykorzystania w prezentacji.
<ol>
<li>Postępuj zgodnie z protokołem opisanym w sekcji 1.1 i odpowiednio opisz wizualizacje.</li>
<li>Użyj funkcji eksportu w programie Tableau, aby wygenerować obrazy wizualizacji.</li>
</ol>
</li>
<li>Wygenerowałeś zestaw przejrzystych wizualizacji w skoroszycie Tableau i chcesz udostępnić ten skoroszyt.
<ol>
<li>Zapisz skoroszyt jako pakietowy skoroszyt Tableau (Tableau packaged workbook) i udostępnij ten plik.</li>
<li>Koledzy nieposiadający programu Tableau Desktop mogą pobrać Tableau Reader, aby otworzyć pakietowy skoroszyt. Tableau Reader umożliwia współpracownikom interakcję z utworzonymi przez Ciebie wizualizacjami.</li>
</ol>
</li>
</ol>
3. REPREZENTATYWNE WYNIKI

 <img src="/files/ftp_upload/2397/2397fig1.jpg" alt="Schemat interfejsu Tableau; połączenie z danymi, wymiary, miary, konfiguracja kategorii i wartości liczbowych." data-altupdatedat="1788235205000" data-alt="Rysunek 1"> 
Rycina 1. Zrzut ekranu programu Tableau po zaimportowaniu arkusza o nazwie NFKBIA z pliku Excel demo.xls. Półki wymiarów (dimensions) i miar (measures) zostały odpowiednio wypełnione danymi kategorycznymi i numerycznymi.
 <img src="/files/ftp_upload/2397/2397fig2.jpg" alt="Konfiguracja pola obliczeniowego; lista formuł i funkcji; konfiguracja analizy danych." data-altupdatedat="1788235205000" data-alt="Rysunek 2"> 
Rysunek 2. Okno Pola obliczeniowego (Calculated Field) służy do tworzenia specjalnego pola obliczeniowego do wykorzystania w programie Tableau. Lista w dolnym lewym polu pomaga zidentyfikować możliwe pola, a lista po prawej stronie zawiera skróty funkcji, które można zastosować w formule. W tym przykładzie chcieliśmy zsumować wartości dla PFD4, PFD3 i PFD2, aby uzyskać wartość końcową, którą określamy jako PFD. &gt; 2
 <img src="/files/ftp_upload/2397/2397fig3.jpg" alt="Proces wizualizacji danych w programie Tableau, wykres liniowy zależności stężenia od genotypu, ilustrujący zastosowanie filtrów i znaków w celu analizy spostrzeżeń z danych." data-altupdatedat="1788235205000" data-alt="Rysunek 3"> 
Rysunek 3. Wizualizacja poziomu stężenia bodźca w stosunku do obserwowanego stężenia cytokiny. Wizualizacja przedstawia wykres różnych poziomów stężenia bodźca 3M-02 w zależności od obserwowanego stężenia cytokiny TNF-α. Kolory linii odnoszą się do różnych genotypów polimorfizmu pojedynczego nukleotydu w genie NFKBIA u osób biorących udział w naszym badaniu nad odpornością wrodzoną.
 <img src="/files/ftp_upload/2397/2397fig4.jpg" alt="Dwukolumienkowa macierz wizualizacji danych, wykresy liniowe przedstawiające zależność bodźca od stężenia w oprogramowaniu Tableau." data-altupdatedat="1788235205000" data-alt="Rysunek 4"> 
Rycina 4. Zrzut ekranu dwukolumnowej macierzy wizualizacji. Wygenerowano dwukolumnową macierz, aby ułatwić bezpośrednie porównanie odpowiedzi na dwa bodźce: 3M-03 oraz LPS. Osie x przedstawiają różne poziomy stężeń obu bodźców, a oś y obrazuje wartości obliczonego pola PFD. &gt; 2. 
 <img src="/files/ftp_upload/2397/2397fig5.jpg" alt="Krótki instruktaż dotyczący połączeń w skoroszycie programu Excel, przedstawiający dodawanie wielu tabel oraz klauzule złączeń w interfejsie." data-altupdatedat="1788235205000" data-alt="Rysunek 5"> 
Rysunek 5. Niniejsze okna dialogowe programu Tableau ilustrują sposób łączenia danych zapisanych w różnych arkuszach kalkulacyjnych. Połączenie danych z różnych arkuszy można zrealizować poprzez ich zestawienie przy użyciu logicznych klauzul złączenia wartości kluczy.

<table border="1">
<tbody >
 <tr>
 <td> </td>
 <td colspan="10">Narzędzie do wizualizacji i analizy</td>
 </tr>
 <tr>
 <td>Funkcja</td>
 <td>Tableau</td>
 <td>VIS-STAMP</td>
 <td>xmdvtool</td>
 <td>GGobi</td>
 <td>Starlight</td>
 <td>Gapminder</td>
 <td>Visulab</td>
 <td>InfoVis Toolkit</td>
 <td>Geotime</td>
 <td>Inspire</td>
 </tr>
 <tr>
 <td>Wykresy współrzędnych równoległych</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Macierze wykresów rozrzutu</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Redukcja wymiarowości</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Wymiary czasowe</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Wymiary geoprzestrzenne</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Eksploracja tekstów (text mining)</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 </tr>
 <tr>
 <td>Bezpośrednia manipulacja danymi</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Filtrowanie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 </tr>
 <tr>
 <td>Rozszerzalność na inne platformy (np. R)</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Formaty tabel CSV</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Formaty danych XML</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Nie</td>
 </tr>
 <tr>
 <td>Zdolność do obsługi ponad 10 0 wierszy</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 </tr>
 <tr>
 <td>Dokumentacja</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 <td>Tak</td>
 </tr>
 <tr>
 <td>Produkt komercyjny</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Nie</td>
 <td>Tak</td>
 <td>Tak</td>
 </tr>
</tbody>
</table>
Tabela 1. Lista narzędzi analityki wizualnej i niektóre z ich funkcji.

<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>

Brak zadeklarowanych konfliktów interesów.

Wprowadzenie technologii wysokoprzepustowych do współczesnych badań biomedycznych doprowadziło do gwałtownego wzrostu ilości danych badawczych, co wymaga bardziej efektywnych metod analizy. Analityka wizualna (VA) to nauka o rozumowaniu analitycznym wspomaganym przez interaktywne interfejsy wizualne (1). Podejście VA przywraca moc analityczną w ręce analityka-człowieka, w przeciwieństwie do tradycyjnego podejścia polegającego na wykrywaniu wzorców przez komputer. Analityka wizualna była stosowana w badaniach w różnych dz...

ułatwianie analizy danych immunologicznych za pomocą technik analizy wizualnej

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Analityka wizualna (VA) wyłoniła się jako nowy sposób analizowania dużych zbiorów danych za pomocą interaktywnego wyświetlania wizualnego. Zademonstrowaliśmy użyteczność i elastyczność podejścia VA w analizie biologicznych zbiorów danych. Przykłady takich zbiorów danych w immunologii obejmują cytometrię przepływową, dane Luminex oraz dane genotypowania (np. polimorfizm pojedynczego nukleotydu). W przeciwieństwie do tradycyjnego podejścia do wizualizacji informacji, VA przywraca moc analityczną w ręce analityka, umożliwiając mu zaangażowanie się w proces eksploracji danych w czasie rzeczywistym. Po ocenie kilku narzędzi VA wybraliśmy oprogramowanie VA o nazwie Tableau. W prezentacji wideo, z wykorzystaniem podejścia zwanego analizą parową, zademonstrowano dwa rodzaje zadań analitycznych: analizę w obrębie zbiorów danych oraz analizę pomiędzy zbiorami danych. Analiza parowa, zdefiniowana w kontekście VA, to podejście analityczne, w którym ekspert ds. narzędzi VA pracuje ramię w ramię z ekspertem dziedzinowym podczas analizy. Ekspert dziedzinowy jest osobą, która rozumie znaczenie danych i zadaje pytania, na które zebrane dane mogą odpowiedzieć. Następnie ekspert ds. narzędzi tworzy wizualizacje, aby pomóc w znalezieniu w danych wzorców, które mogą przynieść odpowiedzi na te pytania. Główną zaletą podejścia VA jest krótki czas oczekiwania między sformułowaniem hipotezy a szybkim wizualnym wyświetleniem danych.

Analityka wizualna (VA) to nowe podejście do interaktywnej analizy danych. W tym filmie omawiamy problem nadmiaru danych wynikający z wysokoprzepustowych eksperymentów biologicznych i proponujemy VA jako rozwiązanie tego problemu. Film demonstruje analizę w obrębie oraz pomiędzy zestawami danych immunologicznych przy użyciu narzędzia VA o nazwie Tableau.

Ułatwianie analizy danych immunologicznych za pomocą technik analizy wizualnej

Analityka wizualna (VA) wyłoniła się jako nowa metoda analizy dużych zbiorów danych za pomocą interaktywnego wyświetlania wizualnego. Wykazaliśmy użyteczność i...

Ułatwienie analizy danych immunologicznych za pomocą technik analityki wizualnej. Podczas gdy zdolność do gromadzenia i przechowywania danych szybko ewoluowała, możliwość ich przetwarzania i analizy w porównaniu z tym poczyniła niewielkie postępy. W konsekwencji w laboratoriach biomedycznych często istnieją duże zestawy danych, które nie są analizowane w sposób efektywny i wydajny.Wraz z tym potencjalnie bogate i wartościowe informacje giną w otchłani systemów przechowywania danych. Analityka wizualna, czyli VA, pojawiła się jako nowa metoda analizy dużych i złożonych zbiorów danych. Techniki VA opierają się na wizualizacjach, które pozwalają analitykom wykorzystać ich inteligencję wizualną do wykrywania wzorców w danych, takich jak ogólne trendy czy wartości odstające.Te szybkie wizualizacje umożliwiają sprawne formułowanie hipotez podczas eksploracji danych. Elastyczność narzędzi VA pozwala analitykowi zarówno na przybliżanie widoku, szczegółową analizę (drill-down), jak i budowanie powiązań między wieloma zestawami danych podczas badania ich relacji. Dzięki zastosowaniu VA do zintegrowanych źródeł danych użytkownik może odkryć nowe i istotne zależności.Analiza z udziałem opiekun

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

Research

JoVE Journal

Immunology and Infection

Immunologia i infekcje

Ułatwianie analizy danych immunologicznych za pomocą technik analityki wizualnej

Immunofenotypowanie krwi pełnej jest niezbędne do monitorowania ludzkiego układu odpornościowego. Jednak liczba wymaganych odczynników i niestabilność określonych fluorochromów w wstępnie zmieszanych koktajlach wymaga codziennego przygotowywania odczynników. Tutaj pokazujemy, że półautomatyczne przygotowanie koktajlu przeciwciał barwiących pomaga ustalić wiarygodne immunofenotypowanie poprzez zminimalizowanie zmienności w dozowaniu odczynników.

Półautomatyczne podejście do przygotowywania koktajli przeciwciał do analizy immunofenotypowej ludzkiej krwi obwodowej

Tutaj opisujemy kompletny proces analizy jakościowej i ilościowej synaps immunologicznych pomiędzy pierwotnymi ludzkimi limfocytami T a komórkami prezentującymi antygen. Metoda opiera się na obrazowej cytometrii przepływowej, która pozwala na pozyskanie i ocenę kilku tysięcy obrazów komórek w stosunkowo krótkim czasie.

Analiza jakościowa i ilościowa synapsy immunologicznej w organizmie człowieka z wykorzystaniem obrazowej cytometrii przepływowej

Badanie mikrośrodowiska guza może zidentyfikować prognostyczne lub predykcyjne biomarkery klinicznej odpowiedzi na immunoterapię. Przedstawiona tutaj jest innowacyjna metoda oparta na obrazowaniu wielospektralnym fluorescencji in situ w celu automatycznej analizy i zliczania różnych subpopulacji limfocytów T CD8 +. Ta powtarzalna i niezawodna technika nadaje się do dużych analiz kohortowych.

Multipleksowa analiza immunofluorescencyjna i kwantyfikacja wewnątrznowotworowych limfocytów T PD-1 + Tim-3 + CD8 +

ExCYT to graficzny interfejs użytkownika (GUI) oparty na MATLAB, który pozwala użytkownikom analizować dane cytometrii przepływowej za pomocą powszechnie stosowanych technik analitycznych dla danych wysokowymiarowych, w tym redukcji wymiarowości za pomocą t-SNE, różnych automatycznych i ręcznych metod grupowania, map cieplnych i nowatorskich wysokowymiarowych wykresów przepływu.

ExCYT: Graficzny interfejs użytkownika usprawniający analizę danych z cytometrii wielowymiarowej

Cytofast to narzędzie do wizualizacji używane do analizy wyników z grupowania. Cytofast może być używany do porównywania dwóch metod grupowania: FlowSOM i Cytosplore. Cytofast może szybko wygenerować ilościowy i jakościowy przegląd danych z cytometrii masowej i podkreślić główne różnice między różnymi algorytmami grupowania.

Wizualizacja i kwantyfikacja danych z cytometrii wielowymiarowej przy użyciu Cytofast i metod grupowania FlowSOM i Cytosplore

Tutaj opisujemy prostą i przystępną strategię wizualizacji, kwantyfikacji i mapowania komórek odpornościowych w utrwalonych w formalinie odcinkach tkanki nowotworowej zatopionej w parafinie. Metodologia ta łączy istniejące techniki obrazowania i analizy cyfrowej w celu rozszerzenia możliwości multipleksowania i analizy wieloparametrowej testów obrazowania.

Wizualizacja, kwantyfikacja i mapowanie populacji komórek odpornościowych w mikrośrodowisku guza

W dobie immunoterapii i profilowania genomu pojedynczej komórki, biologia nowotworów wymaga nowatorskich narzędzi in vitro i obliczeniowych do badania interfejsu nowotworowo-immunologicznego we właściwym kontekście czasoprzestrzennym. Opisujemy protokoły wykorzystania kokultur mikroprzepływowych immunologicznych z nowotworami w warunkach 2D i 3D, kompatybilnych z dynamicznym, wieloparametrycznym monitorowaniem funkcji komórkowych.

Mikroprzepływowe modele kohodowli do analizy odpowiedzi immunologicznej w mikrośrodowiskach nowotworowych in vitro

W tym artykule opisany jest protokół ręcznego wzmacniania sygnału tyramidowego (TSA) multipleksowego immunofluorescencji (mIF) połączonego z analizą obrazu i analizą przestrzenną. Protokół ten może być stosowany z sekcjami zatopionymi w parafinie (FFPE) utrwalonymi w formalinie do barwienia od dwóch do sześciu antygenów na szkiełko, w zależności od skanera do szkiełek dostępnego w laboratorium.

Multipleksowa immunofluorescencja połączona z przestrzenną analizą obrazu w celu klinicznej i biologicznej oceny mikrośrodowiska guza

Ten protokół opisuje szczegółowo, jak przeprowadzana jest charakterystyka komórek odpornościowych mikrośrodowiska guza za pomocą multipleksowej immunohistochemii.

Multipleksowa analiza immunohistochemiczna przestrzennego krajobrazu komórek odpornościowych w mikrośrodowisku guza

W niniejszej pracy opisujemy nowatorski wysokoprzepustowy test chemicznie indukowanego stanu zapalnego, którego celem jest identyfikacja bioaktywnych substancji immunomodulujących. Skutecznie połączyliśmy zautomatyzowaną mikroskopię z autorskimi skryptami oprogramowania, co umożliwia automatyczną kwantyfikację odpowiedzi zapalnej, a także dalsze przetwarzanie, analizę, wydobywanie i przechowywanie danych.

Usprawnianie odkrywania leków: zautomatyzowany wysokotreściowy test stanu zapalnego u rybek danio pręgowanych

Poznaj techniki wizualnej analizy danych immunologicznych wykorzystujące narzędzie Tableau. Ta metoda pozwala badaczom szybko identyfikować wzorce i trendy w złożonych zbiorach danych biomedycznych.

Ułatwianie analizy danych immunologicznych za pomocą technik analizy wizualnej

Przeglądaj więcej filmów