ExCYT: Графический интерфейс пользователя для упорядочения анализ высокого мерных данных цитометрии

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.