Bu yöntem biyomedikal alanındaki temel soruların yanıtlatına yardımcı olabilir, örneğin biyolojik olarak ilgili alt popülasyonların fenotipini anlamak gibi. Bu tekniğin en büyük avantajı, programlama deneyimi olmayan bir bireyin sitometri verilerini en son yüksek boyutlu tekniklerle analiz etmesine olanak sağlamasıdır. Bir çözümleme ardışık başlatAcak şekilde, önce sitometri türünü ve dosyadan örnek alınacak olay sayısını seçin.
Ardından, Kapama Popülasyon'u tıklatın, ilgi çeken hücre popülasyonlarını seçin ve akış aşağı çözümlemesi için olayların yüzdesini girin. Ardından liste kutusundaki çözümleme için kullanılacak kanal sayısını seçin. T-distributed Stochastic Komşu Katıştırma veya t-SNE çözümlemesi için, azaltılmış boyutsallık veri kümesini hesaplamaya başlamak için t-SNE'yi tıklatın.
Küme hesaplandığında, TSNE Görüntüsünü Kaydet'i tıklatın ve Işaretleyiciye Özel t-SNE açılır menüsünde belirli bir ilgi çekici işaretçi seçin. Şekil üretimi için kaydedilebilen t-SNE çiziminin ısı haritası temsilini gösteren bir şekil görüntülenir. Kümeleme çözümlemesi başlatmak için Kümeleme Yöntemi liste kutusunda bir seçenek seçin ve Küme'yi tıklatın.
Kümeleri ilgi çekici bir işaretçiye göre sıralamak için, Sıra açılır menüsünden uygun karşılık gelen seçeneği seçin ve Kümeler liste kutusundaki kümeler listesini güncelleştirmek için Artan, Azalan'ı tıklatın. Belirli bir kanal da belirli bir küme için en az eşik değeri ayarlamak için, Eşik açılır menüsünden bir seçenek seçin ve uygun bir eşik ayarlayın. Eşik ayarlandıktan sonra, eşizin yönünü belirtmek için Eşiğe Yukarıda Ekle'yi veya Alt Eşlemi Ekle'yi tıklatın ve kümenin sıklığı için en az eşiği ayarlamak için Küme Filtresi panelindeki Küme Frekans Eşik kutusuna sayısal bir kesme girin.
Daha fazla çözümleme bireyselleştirme için kümeleri seçmek için, Clusters liste kutusunda ilgi kümelerini seçin. Seçenekleri Cluster Analyze liste kutusuna taşımak için Seç düğmesini kullanın. Kümelerin ısı eşlemlerini oluşturmak için Cluster Analyze liste kutusundaki ilgi kümelerini seçin ve Kümelerin HeatMap'ini tıklatın.
Yüksek boyutlu bir kutu çizimi veya yüksek boyutlu bir akış çizimi oluşturmak için Cluster Analyze liste kutusundaki ilgi kümelerini seçin ve tüm boyutlar arasında çeşitli kümelerin belirli kanallarının dağılımını görsel olarak değerlendirmek için Yüksek Boyutlu Kutu Çizimi veya Yüksek Boyutlu Akış Çizimi'ni tıklatın. Kümeleri geleneksel 2B akış çizimlerinde göstermek için, Geleneksel Akış Çizimi panelinde uygun dönüşümü ve kanalı seçin ve Geleneksel Akış Çizimi'ni tıklatın. Burada, bir miyeloid panel analiz boru hattı içinde çeşitli belirteçler için ısı haritaları temsili bir t-SNE analizi gösterilmiştir.
ExCYT içinde hızlı açgözlü uygulama kullanarak 100, en yakın komşuların 000 ile veri kümelemek için, hücrelerin 19 alt popülasyonları ortaya çıktı. Orijinal ısı haritalarının ExCYT tarafından oluşturulan kümelerle karşılaştırılması, miyeloid hücrelerin benzer kümelerinin iki veri grubu arasında tanımlanmasına olanak sağladı. Daha geleneksel ve daha hızlı hiyerarşik kümeleme yaklaşımı ile lenfoid panel analizi, t-SNE ısı haritaları ile benzer marker dağılımları verdi.
Ayrıca, hiyerarşik kümeleme yoluyla verilerin kümeleme lenfoid hücrelerin benzer kümeler gösterdi. Özellikle, benzersiz bir düzenleyici T hücre popülasyonu da yüksek boyutlu bir akış arsa ile tespit edilmiştir. İşaretçiler arasındaki ortak ilişkileri hızlı ve nicel olarak değerlendirmek için, iki boyutlu t-SNE verilerine 5000 küme koymak için önce sert bir K-araçları kümeleme algoritması kullanılmıştır.
Daha sonra tüm kümelerden gelen tüm işaretçilerin ortanca ifadesi, bu kümelerden bir ısı haritası oluşturmak için kullanıldı ve tim-3, PD-1, CD38 ve 4-1BB ortak ilişkisi gibi ortak çağrışımların kolayca tanımlanmasına olanak sağladı. Bu yordamı denerken, incelediğiniz verileri tam olarak keşfetmek için farklı kümeleme yöntemleri gibi farklı parametreleri keşfetmeyi unutmamanız önemlidir.
