ExCYT: Графический интерфейс пользователя для упорядочения анализ высокого мерных данных цитометрии
January 16th, 2019
ExCYT, что на основе MATLAB графический пользовательский интерфейс (GUI), позволяет пользователям анализировать их потока данных цитометрии через часто используемые аналитические методы для высоких мерных данных, включая сокращение размерности через t СНЭ, целый ряд автоматизированных и ручных Кластеризация методы, карты и Роман высокой мерного потока участков.
Этот метод может помочь ответить на ключевые вопросы в биомедицинской области, такие как понимание фенотипа биологически релевантных поднаселения. Основным преимуществом этой техники является то, что она позволяет человеку, не имеюму опыта программирования, анализировать свои цитометрические данные с помощью новейших высокомерных методов. Чтобы начать анализ конвейера, сначала выберите тип цитометрии и количество событий для выборки из файла.
Далее нажмите Gate Population, выберите группы населения, представляющие интерес, и введите процент событий для анализа ниже по течению. Затем выберите количество каналов, которые будут использоваться для анализа в поле списка. Для T-распределенного встраивания stochastic Neighbor, или анализа t-SNE, нажмите t-SNE, чтобы начать вычисления набора данных с уменьшенной размерностью.
При вычислении набора нажмите Save TSNE Image, а в всплывающем меню Marker-Specific t-SNE выберите определенный маркер интереса. Появится фигура, показывающая представление тепловой карты участка t-SNE, которое может быть сохранено для генерации фигур. Чтобы начать анализ кластеризации, выберите опцию в поле списка методов кластеризации и нажмите кластер.
Чтобы сортировать кластеры по маркеру интереса, выберите соответствующий вариант из всплывающего меню Сортировки и нажмите «Восхождение, спуск», чтобы обновить список кластеров в поле списка кластеров. Чтобы установить минимальное пороговое значение для данного кластера по определенному каналу, выберите опцию из всплывающего меню Threshold и установите соответствующий порог. После того, как порог установлен, нажмите Добавить выше порога, или Добавить ниже порога, чтобы указать направление порога, и введите численное сокращение в поле порога частот кластера, в панели кластерного фильтра, чтобы установить минимальный порог частоты кластера.
Чтобы выбрать кластеры для дальнейшей индивидуализации анализа, выберите кластеры, представляющие интерес, в поле списка кластеров. И используйте кнопку Select, чтобы переместить параметры в поле списка кластерного анализа. Чтобы создать тепловые карты кластеров, выберите кластеры, представляющие интерес в поле списка кластерного анализа, и нажмите кнопку HeatMap кластеров.
Чтобы создать многомерный участок коробки, или высокомерный участок потока, выберите кластеры, представляющие интерес в поле списка кластерного анализа, и нажмите либо High-Dimensional Box Plot, или High-Dimensional Flow Plot, чтобы визуально оценить распределение данных каналов различных кластеров во всех измерениях. Чтобы показать кластеры в традиционных участках 2D потока, выберите соответствующую трансформацию и канал в панели обычного потока участка, и нажмите Обычный участок потока. Здесь показан репрезентативный t-SNE анализ тепловых карт для различных маркеров в рамках миелоидной панели анализа трубопровода.
Используя быструю жадную реализацию в ExCYT для кластеризации данных со 100 000 ближайших соседей, было выявлено 19 под популяций ячеек. Сравнение исходных тепловых карт с кластерами, созданными ExCYT, позволило идентифицировать аналогичные кластеры миелоидных клеток между двумя группами данных. Анализ лимфоидной панели с более обычным и более быстрым иерархическим подходом к кластеризации дал аналогичные распределения маркеров с помощью тепловых карт t-SNE.
Кроме того, кластеризация данных с помощью иерархической кластеризации продемонстрировала аналогичные кластеры лимфоидных клеток. Примечательно, что уникальная регулятивная популяция Т-клеток была также идентифицирована с помощью участка высокого измерения потока. Для быстрой и количественной оценки со-ассоциаций между маркерами был использован жесткий алгоритм кластеризации K-средств для засовывания 5000 кластеров на двухмерных данных t-SNE.
Затем было использовано среднее выражение всех маркеров всех кластеров для создания тепловой карты из этих кластеров, что позволило легко идентифицировать ассоциации, такие как совместное объединение Tim-3, PD-1, CD38 и 4-1BB. При попытке этой процедуры важно помнить о различных параметрах, таких как различные методы кластеризации, чтобы полностью изучить изучаемые данные.
View the full transcript and gain access to thousands of scientific videos
Обзор
ExCYT - это интерфейс пользователя на основе MATLAB, предназначенный для анализа данных проточной цитометрии с использованием передовых аналитических методов. Он позволяет пользователям без опыта программирования выполнять уменьшение размерности, кластеризацию и визуализацию высокомерных данных.
Ключевые компоненты исследования
Область науки
- Проточная цитометрия
- Анализ данных
- Биомедицинские исследования
Фон
- Проточная цитометрия имеет решающее значение для анализа клеточных популяций.
- Анализ высокомерных данных необходим для понимания сложных биологических систем.
- ExCYT упрощает процесс анализа для непрограммистов.
- Методы уменьшения размерности, такие как t-SNE, жизненно важны для визуализации данных.
Цель исследования
- Предоставить удобный интерфейс для анализа данных проточной цитометрии.
- Способствовать пониманию биологически значимых подпопуляций.
- Позволить исследователям использовать передовые аналитические методы без навыков программирования.
Использованные методы
- Выбор типа цитометрии и выборки событий.
- Формирование ворот для анализа клеточных популяций.
- Использование t-SNE для уменьшения размерности.
- Создание тепловых карт и высокомерных потоковых графиков.
Основные результаты
- ExCYT позволяет эффективно анализировать сложные данные проточной цитометрии.
- Пользователи могут легко визуализировать и интерпретировать высокомерные наборы данных.
- Графический интерфейс поддерживает как автоматические, так и ручные методы кластеризации.
- Способствует идентификации соответствующих клеточных популяций.
Выводы
- ExCYT - мощный инструмент для исследователей в биомедицинской области.
- Он демократизирует доступ к передовым методам анализа данных.
- Программное обеспечение улучшает понимание клеточных фенотипов.
Часто задаваемые вопросы
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.
