ExCYT: Графический интерфейс пользователя для упорядочения анализ высокого мерных данных цитометрии
16 января 2019 г.
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.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
ExCYT представляет собой графический интерфейс пользователя (GUI) на базе MATLAB, разработанный для анализа данных проточной цитометрии с использованием передовых аналитических методов. Он позволяет пользователям, не имеющим опыта программирования, выполнять снижение размерности, кластеризацию и визуализацию многомерных данных.
Основные компоненты исследования
Область науки
- Проточная цитометрия
- Анализ данных
- Биомедицинские исследования
Введение
- Проточная цитометрия имеет решающее значение для анализа клеточных популяций.
- Многомерный анализ данных необходим для понимания сложных биологических систем.
- ExCYT упрощает процесс анализа для пользователей, не владеющих программированием.
- Методы снижения размерности, такие как t-SNE, жизненно важны для визуализации данных.
Цель исследования
- Обеспечить удобный пользовательский интерфейс для анализа данных проточной цитометрии.
- Способствовать пониманию биологически значимых субпопуляций.
- Позволить исследователям использовать передовые методы анализа без навыков программирования.
Используемые методы
- Выбор типа цитометрии и отбор событий.
- Гейтирование популяций клеток для анализа.
- Использование t-SNE для снижения размерности.
- Создание тепловых карт и многомерных графиков проточной цитометрии.
Основные результаты
- ExCYT позволяет эффективно анализировать сложные данные проточной цитометрии.
- Пользователи могут легко визуализировать и интерпретировать многомерные наборы данных.
- Графический пользовательский интерфейс поддерживает как автоматизированные, так и ручные методы кластеризации.
- Облегчает идентификацию релевантных популяций клеток.
Выводы
- ExCYT является мощным инструментом для исследователей в области биомедицины.
- Он делает передовые методы анализа данных доступными для широкого круга пользователей.
- Данное программное обеспечение расширяет понимание клеточных фенотипов.
Часто задаваемые вопросы
Практическая значимость для отрасли
ExCYT решает растущую проблему анализа многомерных данных цитометрии в области поиска новых лекарственных средств, предоставляя интерфейс без необходимости написания кода для применения передовых аналитических методов. Это обеспечивает более широкий доступ к рабочим процессам фенотипического скрининга и валидации мишеней, снижая зависимость от специалистов по биоинформатике и ускоряя принятие решений на ранних этапах поиска. Инструмент способствует снижению механистических рисков, облегчая объективную идентификацию биологически значимых субпопуляций из сложных наборов данных.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Научная ценность: Позволяет проверять терапевтические гипотезы посредством непредвзятого фенотипического анализа клеточной гетерогенности.
- Практическая ценность: Облегчает функциональную валидацию мишеней путем идентификации и характеристики популяций клеток, отвечающих на воздействие препарата, без предвзятости, возникающей при ручном установлении гейтов.
- Прогностическая ценность: Повышает уверенность в выборе мишени за счет выявления паттернов коэкспрессии иммунных контрольных точек и маркеров активации.
Скрининг и разработка анализа
- Научная ценность: Подготовка валидированных биологических систем для последующего скрининга путем определения фенотипически различных кластеров с помощью t-SNE и кластеризации.
- Практическая ценность: Повышение стандартизации анализа за счет воспроизводимого снижения размерности и идентификации кластеров в компенсированных и некомпенсированных FCS-файлах.
- Масштабируемость: Возможность повторного использования платформы для различных иммунологических и онкологических панелей благодаря гибкому выбору каналов и фильтрации на основе пороговых значений.
Трансляционные и доклинические исследования
- Трансляционная преемственность: обеспечивает анализ систем, имеющих значение для заболевания, путем связывания ко-ассоциаций маркеров (например, Tim-3, PD-1, CD38, 4-1BB) с функциональными фенотипами.
- Механистическое снижение рисков: облегчает доклиническую валидацию за счет визуализации многомерных графиков проточной цитометрии, которые позволяют выявить редкие популяции, такие как регуляторные T-клетки.
- Продвижение с учетом рисков: позволяет принимать обоснованные данными решения о продолжении или прекращении исследований (go/no-go) на основе количественных порогов частоты кластеров и возможностей сортировки.
Интеграция конвейера и рабочего процесса
ExCYT встраивается в непрерывный процесс поиска — от ранней проверки гипотез до идентификации перспективных соединений-лидеров, преобразуя необработанные данные цитометрии в практически значимые фенотипические выводы, которые позволяют определиться с выбором мишени и оценить готовность к скринингу соединений.
- Поисковая биология: Облегчает проверку гипотез и уточнение путей за счет обеспечения объективной кластеризации иммунофенотипов на основе многомерных панелей.
- Скрининг: Обеспечивает готовность анализа посредством воспроизводимой визуализации t-SNE и изоляции кластеров для последующей функциональной валидации.
- Аналитика: Предоставляет количественные результаты, включая тепловые карты, пороги частоты кластеров и многомерные графики проточной цитометрии для сравнения различных условий.
- Трансляционные исследования: Связывает этап поиска с доклинической работой путем идентификации трансляционно значимых паттернов ко-экспрессии биомаркеров.
- Корпоративное повторное использование: Функционирует как многократно используемая аналитическая платформа для различных проектов благодаря поддержке различных типов цитометрии, а также алгоритмов обучения с учителем и без учителя.
Операционное и корпоративное воздействие
- Научная ценность: повышает точность прогнозирования при валидации мишеней за счет снижения механистической неоднозначности с помощью непредвзятой кластеризации.
- Операционная ценность: улучшает стандартизацию и масштабируемость благодаря автоматизации рабочих процессов t-SNE, кластеризации и гейтирования с помощью графического интерфейса пользователя.
- Стратегическая ценность: повышает эффективность использования капитала, предоставляя более широкому кругу специалистов доступ к продвинутой аналитике, что сокращает количество узких мест при интерпретации данных.
- Влияние на портфель: поддерживает приоритизацию с учетом рисков, предоставляя количественные показатели кластеров, которые служат основанием для принятия решений о дальнейшем продвижении.
Особенности реализации
- Требуется знакомство с планированием экспериментов по цитометрии и подбором панелей маркеров.
- Необходима среда выполнения MATLAB и доступ к инфраструктуре данных файлов FCS.
- Для получения воспроизводимых результатов рекомендуется межкомандная стандартизация стратегий гейтирования и параметров кластеризации.
- При адаптации метода следует учитывать корректировку перплексии t-SNE и порогов кластеризации в зависимости от сложности биологической системы.
- Практическое ограничение: производительность может варьироваться при работе с экстремально большими наборами данных (>1M событий) без последующего семплирования.
