Name: excyt: a graphical user interface for streamlining analysis of high-dimensional cytometry data
Uploaded: 2019-01-16T12:30:00
Description: Watch this Scientific Journal Video about ExCYT: A Graphical User Interface for Streamlining Analysis of High-Dimensional Cytometry Data at JoVE.com

Forfatterne har ingen anerkendelser.

1. indsamling og forberede flowcytometri Data
<ol><li>Placere alle enkelt pletter i en mappe af sig selv og mærke af kanalnavnet (ved fluorophore, ikke markør).</li>
</ol>2. data import & forbehandling
<ol><li>For at holde pause eller gemme hele denne analyse pipeline, brug knappen Gem arbejdsområde nederst til venstre af programmet til at gemme arbejdsområde som en '. MAT' fil, der senere kan indlæses via knappen Load arbejdsområde . Kør ikke mere end ...

<ol>
	<li>Benoist, C., Hacohen, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flow+cytometry,+amped+up.">Flow cytometry, amped up.</a> Science. 332 (6030), 677-678 (2011).</li><li>Ornatsky, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Highly+multiparametric+analysis+by+mass+cytometry.">Highly multiparametric analysis by mass cytometry.</a> Journal of immunological methods. 361 (1), 1-20 (2010).</li><li>Tanner, S. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flow+cytometer+with+mass+spectrometer+detection+for+massively+multiplexed+single-cell+biomarker+assay.">Flow cytometer with mass spectrometer detection for massively multiplexed single-cell biomarker assay.</a> Pure and Applied Chemistry. 80 (12), 2627-2641 (2008).</li><li>Maecker, H. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Standardization+of+cytokine+flow+cytometry+assays.">Standardization of cytokine flow cytometry assays.</a> BMC immunology. 6 (1), 13 (2005).</li><li>Brazma, A., Vilo, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gene+expression+data+analysis.">Gene expression data analysis.</a> FEBS letters. 480 (1), 17-24 (2000).</li><li>Pyne, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+high-dimensional+flow+cytometric+data+analysis.">Automated high-dimensional flow cytometric data analysis.</a> Proceedings of the National Academy of Sciences. 106 (21), 8519-8524 (2009).</li><li>Ge, Y., Sealfon, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=flowPeaks:+a+fast+unsupervised+clustering+for+flow+cytometry+data+via+K-means+and+density+peak+finding.">flowPeaks: a fast unsupervised clustering for flow cytometry data via K-means and density peak finding.</a> Bioinformatics. 28 (15), 2052-2058 (2012).</li><li>Venkatesh, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Determinants+of+perceived+ease+of+use:+Integrating+control,+intrinsic+motivation,+and+emotion+into+the+technology+acceptance+model.">Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model.</a> Information systems research. 11 (4), 342-365 (2000).</li><li>Bagwell, C. B., Adams, E. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fluorescence+spectral+overlap+compensation+for+any+number+of+flow+cytometry+parameters.">Fluorescence spectral overlap compensation for any number of flow cytometry parameters.</a> Annals of the New York Academy of Sciences. 677 (1), 167-184 (1993).</li><li>Lavin, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Innate+immune+landscape+in+early+lung+adenocarcinoma+by+paired+single-cell+analyses.">Innate immune landscape in early lung adenocarcinoma by paired single-cell analyses.</a> Cell. 169 (4), 750-765 (2017).</li><li>Chevrier, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+immune+atlas+of+clear+cell+renal+cell+carcinoma.">An immune atlas of clear cell renal cell carcinoma.</a> Cell. 169 (4), 736-749 (2017).</li><li>Hartigan, J. A., Wong, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Algorithm+AS+136:+A+k-means+clustering+algorithm.">Algorithm AS 136: A k-means clustering algorithm.</a> Journal of the Royal Statistical Society. Series C (Applied Statistics). 28 (1), 100-108 (1979).</li><li>Ester, M., Kriegel, H. P., Sander, J., Xu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Density-based+spatial+clustering+of+applications+with+noise.">Density-based spatial clustering of applications with noise.</a> International Conference Knowledge Discovery and Data Mining. 240, (1996).</li><li>Levine, J. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Data-driven+phenotypic+dissection+of+AML+reveals+progenitor-like+cells+that+correlate+with+prognosis.">Data-driven phenotypic dissection of AML reveals progenitor-like cells that correlate with prognosis.</a> Cell. 162 (1), 184-197 (2015).</li><li>Blondel, V. D., Guillaume, J. L., Lambiotte, R., Lefebvre, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+unfolding+of+communities+in+large+networks.">Fast unfolding of communities in large networks.</a> Journal of statistical mechanics: theory and experiment. 2008 (10), P10008 (2008).</li><li>Le Martelot, E., Hankin, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+multi-scale+detection+of+relevant+communities+in+large-scale+networks.">Fast multi-scale detection of relevant communities in large-scale networks.</a> The Computer Journal. 56 (9), 1136-1150 (2013).</li><li>Newman, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+algorithm+for+detecting+community+structure+in+networks.">Fast algorithm for detecting community structure in networks.</a> Physical review E. 69 (6), 066133 (2004).</li><li>Hespanha, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> An efficient matlab algorithm for graph partitioning. , 1-8 (2004).</li><li>Moon, T. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+expectation-maximization+algorithm.">The expectation-maximization algorithm.</a> IEEE Signal processing. 13 (6), 47-60 (1996).</li><li>Bishop, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition and machine learning. , (2006).</li></ol>

Her præsenterer vi ExCYT, en roman anskuelighed brugergrænseflade køre MATLAB-baserede algoritmer for at strømline analyse af høj-dimensionelle flowcytometri data, hvilket giver enkeltpersoner med ingen baggrund i programmering til at gennemføre senest i high-dimensionale data analyse algoritmer. Tilgængeligheden af denne software til det bredere videnskabelige samfund vil tillade forskere til at udforske deres flow flowcytometri data i en intuitiv og enkel arbejdsgang. Gennem udførelse t-udstationerede dimension...

Fremskridt i flowcytometri samt fremkomsten af masse flowcytometri har tilladt klinikere og forskere til hurtigt at identificere og karakterisere fænotype biologisk og klinisk interessant prøver med nye niveauer af opløsning, skaber store høj-dimensionelle datasæt, der er information rige1,2,3. Mens konventionelle metoder til at analysere flow flowcytometri data såsom manuel gating har været mere ligetil for eksperimenter hvor der er få markører og disse markører har visuelt mærkbare populationer, kan denne tilgang undlade at generere reproducerbare resultater når du analyserer højere-dimensionelle datasæt eller dem med markører farvning på et spektrum. For eksempel, i en multi institutionelle undersøgelse, blev hvor intra cellulære farvning (ICS) assays der udføres for at vurdere reproducerbarhed quantitating antigen-specifikke T-celle svar, trods gode sammenlignende nøjagtighed, analyse, især gating, indført en betydelig kilde til variation4. Derudover er processen med manuelt gating befolkningens interesser, udover at være stærkt subjektive meget tidskrævende og labor intensiv. Men problemet med at analysere høj-dimensionelle datasæt i en robust, effektiv og rettidig måde er ikke en ny forskning videnskaber. Gen expression undersøgelser generere ofte ekstremt høj-dimensionelle datasæt (ofte om hundredvis af gener) hvor manuel former for analyse ville være simpelthen umuligt. For at tackle analyse af disse data sæt, har der været meget arbejde med at udvikle bioinformatic værktøjer til at analysere gen expression data5. Disse algoritmiske tilgange har netop for nylig vedtaget i analysen af flowcytometri data som antallet af parametre er steget og har vist sig for at være uvurderlig i analysen af disse høj dimensionel datasæt6,7.
Trods den generation og anvendelsen af en række algoritmer og software-pakker, der giver forskerne til at anvende disse høj-dimensionelle bioinformatic tilgange til deres flow flowcytometri data, er disse analytiske teknikker stadig stort set ubrugt. Selvom der kan være en række faktorer, der har begrænset udbredt vedtagelse af disse tilgange til flowcytometri data8, den store hindring vi formoder i brug af disse tilgange af forskere, er manglende beregningsmæssige viden. Faktisk er mange af disse softwarepakker (dvs., flowCore, flowMeans og OpenCyto) skrevet skal gennemføres i programmeringssprog såsom Rasmussen, der stadig kræver grundlæggende kendskab til programmering. Software-pakker, som FlowJo har fundet favor blandt videnskabsmænd på grund af enkelheden i brug og 'plug-n-play' natur, samt kompatibilitet med PC-operativsystem. For at give forskellige accepterede og værdifulde analytiske teknikker til videnskabsmand uvante programmering, har vi udviklet ExCYT, en anskuelighed bruger grænseflade (GUI), der nemt kan installeres på en PC/Mac, der trækker mange af de nyeste teknikker herunder dimensionalitet reduktion for intuitiv visualisering, en række klyngedannelse metoder nævnt i litteraturen, sammen med nye funktioner til at udforske output af disse klynger algoritmer med heatmaps og roman high-dimensionelle flow/boks parceller.
ExCYT er en anskuelighed brugergrænseflade bygget i MATLAB og derfor kan enten køres i MATLAB direkte eller et installeringsprogram er forudsat der kan bruges til at installere softwaren på enhver PC/Mac. Softwaren er tilgængelig på https://github.com/sidhomj/ExCYT. Vi præsenterer en detaljeret protokol for hvordan til at importere data, pre-behandle det, adfærd t-udstationerede dimensionalitet reduktion, klynge data, sortere og filtrere klynger baseret på brugerens præferencer og vise oplysninger om klynger af interesse via heatmaps og roman høj-dimensionelle flow/boks parceller ()figur 1). Akser i t-udstationerede parceller er vilkårlig og i arbitrære enheder og som sådan ikke altid vist i tallene for enkelheden i brugeren grænseflade. Farve af datapunkter i "T-udstationerede Heatmaps" er fra blå til gul baseret på signalet fra den angivne markør. I clustering løsninger, baseret farven på datapunktet vilkårlig på klyngenummer. Alle dele af arbejdsprocessen kan udføres i de enkelt panel GUI ()figur 2 & tabel 1). Endelig vil vi demonstrere brugen af ExCYT på tidligere offentliggjorte data at udforske den immun landskab af renalcellecarcinom i litteratur, også analyseres med lignende metoder. Prøven datasæt vi brugt til at oprette tallene i dette manuskript sammen med protokollen nedenfor kan findes på https://premium.cytobank.org/cytobank/projects/875, efter registrering af en konto.

<table border="0" cellpadding="0" cellspacing="0" width="597">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Desktop</td>
			<td style="width:95px;">SuperMicro</td>
			<td style="width:119px;">Custom Build</td>
			<td style="width:167px;">Computer used to run analysis</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">MATLAB</td>
			<td style="width:95px;">Mathworks</td>
			<td style="width:119px;">N/A</td>
			<td>Software used to develop ExCYT</td>
		</tr>
	</tbody>
</table>

excyt: a graphical user interface for streamlining analysis of high-dimensional cytometry data

Med fremkomsten af flow cytometers stand til at måle et stigende antal parametre, fortsat forskere at udvikle større paneler fænotype udforske Karakteristik af deres cellulære prøver. Men disse teknologiske fremskridt give høj-dimensionelle datasæt, der er blevet stadig vanskeligere at analysere objektivt inden for traditionel manuel-baserede gating programmer. For at analysere og fremlægge data bedre partner forskere med bioinformaticians med ekspertise i at analysere høj-dimensionale data til at analysere deres flow flowcytometri data. Mens disse metoder har vist sig at være meget værdifulde i at studere flowcytometri, har de endnu at blive indarbejdet i en enkel og nem at bruge pakke for videnskabsfolk, der mangler beregningsressource eller programmering ekspertise. For at imødegå dette behov, har vi udviklet ExCYT, en MATLAB-baserede grafiske bruger Interface (GUI), strømliner analyse af høj-dimensionelle flow flowcytometri data ved at implementere almindeligvis ansat analytiske teknikker til høj-dimensionale data, herunder dimensionalitet reduktion af t-SNE, en række automatiserede og manuelle klyngedannelse metoder, heatmaps og roman high-dimensionelle flow parceller. ExCYT omfatter desuden traditionelle gating indstillinger af udvalgte populationer af interesse for yderligere t-SNE og clustering analyse samt mulighed for at anvende gates direkte på t-udstationerede parceller. Softwaren giver den ekstra fordel af at arbejde med enten kompenseret eller ukompenserede FCS filer. I tilfælde af, at efter købet kompensation er påkrævet, kan brugeren vælge at give programmet et bibliotek af enkelt pletter og en unstained prøve. Programmet registrerer positive begivenheder i alle kanaler og bruger denne vælge data til mere objektivt beregne kompensationsmatrix. I Resumé giver ExCYT en omfattende analyse rørledningen for at tage strømmen flowcytometri data i form af FCS filer og give enhver person, uanset beregningsmæssige uddannelse, for at bruge de nyeste algoritmiske tilgange i forståelsen af deres data.

For at teste anvendeligheden af ExCYT, analyseret vi en kurateret data, der er udgivet af Chevrier et al. med titlen «en immun Atlas af klart Renal karcinom' hvor gruppen gennemførte CyTOF analyse med en omfattende immun panel på tumor prøver taget fra 73 patienter11. To separate paneler, en myeloid og lymfoide panel, blev brugt til fænotype karakterisere tumor mikromiljø. Formålet med vores undersøgelse var at sammenfatte resultaterne af deres t-u...

Watch this Scientific Journal Video about ExCYT: A Graphical User Interface for Streamlining Analysis of High-Dimensional Cytometry Data at JoVE.com

ExCYT: A Graphical User Interface for Streamlining Analysis of High-Dimensional Cytometry Data

ExCYT er en MATLAB-baserede grafiske bruger Interface (GUI) at tillader brugernes hen til analysere deres flow flowcytometri data via almindeligt anvendte analyseteknikker for high-dimensionale data herunder dimensionalitet reduktion via t-SNE, en række automatiserede og manuelle klyngedannelse metoder, heatmaps og roman high-dimensionelle flow parceller.

ExCYT: En grafisk brugergrænseflade til at strømline analyse af høj-dimensionelle flowcytometri Data

With the advent of flow cytometers capable of measuring an increasing number of parameters, scientists continue to develop larger panels to phenotypically ...

Denne metode kan hjælpe med at besvare centrale spørgsmål inden for det biomedicinske område, såsom forståelse af fænotypen af biologisk relevante delpopulationer. Den største fordel ved denne teknik er, at det giver en person uden programmering erfaring til at analysere deres cytometri data med det nyeste inden for høj-dimensionelle teknikker. Hvis du vil starte en analysepipeline, skal du først vælge typen af cytometri og det antal hændelser, der skal indsamles fra filen.Klik derefter på Portpopulation, markér de interessegrupper for celler, og angiv procentdelen af hændelser til downstream-analyse. Vælg derefter det antal kanaler, der skal bruges til analysen på listen. For T-distribueret Stokastisk Neighbor Embedding, eller t-SNE analyse, skal du klikke på t-SNE at begynde at beregne den reducerede dimensionalitet datasæt.Når sættet er beregnet, skal du klikke på Gem TSNE-billede og vælge en bestemt interessemarkør i pop op-menuen Markerspecifik t-SNE. Der vises et tal, der viser en varmekortrepræsentation af t-SNE-plottet, der kan gemmes til figurgenerering. Hvis du vil starte klyngeanalyse, skal du vælge en indstilling på listen Klyngemetode og klikke på Klynge.Hvis du vil sortere klyngerne efter en interessemarkør, skal du vælge den relevante tilsvarende indstilling i pop op-menuen Sortér og klikke på Stigende, Faldende for at opdatere listen over klynger på listen Klynger. Hvis du vil angive en minimal tærskelværdi for en given klynge på tværs af en bestemt kanal, skal du vælge en indstilling i pop op-menuen Tærskel og angive en passende tærskel. Når grænsen er angivet, skal du klikke på Tilføj over tærskel eller Tilføj under tærskel for at angive grænseværdiens retning og angive en numerisk afskæring i feltet Klyngefrekvenstærskel i panelet Klyngefilter for at angive en minimal grænse for frekvensen af en klynge.Hvis du vil vælge klynger til yderligere analyse individualisering, skal du vælge de interesseklynger, der er markeret, på listen Klynger. Og brug knappen Vælg til at flytte indstillingerne til listen Klyngeanalyse. Hvis du vil oprette varmetilknytninger af klyngerne, skal du vælge interesseklynger i listen Klyngeanalyse og klikke på knappen HeatMap af klynger.Hvis du vil oprette et højdimensionalt feltplot eller et område med høj dimensionelt flow, skal du markere interesseklyngerne i listen Klyngeanalyse og klikke på enten High-Dimensional Box Plot eller High-Dimensional Flow Plot for visuelt at vurdere fordelingen af givne kanaler i forskellige klynger på tværs af alle dimensioner. Hvis du vil have vist klynger i traditionelle 2D-flowområder, skal du vælge den relevante transformation og kanal i panelet Konventionel flowplot og klikke på Konventionel flowplot. Her vises en repræsentativ t-SNE-analyse af varmekort for forskellige markører i en myeloid panelanalysepipeline.Ved hjælp af den hurtige grådige implementering i ExCYT at gruppere data med 100. Sammenligning af de oprindelige varmekort med de klynger, der blev oprettet af ExCYT, gjorde det muligt at identificere lignende klynger af myeloidceller mellem de to datagrupper. Analyse af lymfoide panel med en mere konventionel og hurtigere hierarkisk klyngedannelse tilgang, gav lignende markør distributioner via t-SNE varme kort.Desuden viste klyngedannelse af dataene via hierarkisk klyngedannelse lignende klynger af lymfoide celler. Især blev en unik regulerende T-cellepopulation også identificeret via et højtdimensionelt flowplot. For hurtigt og kvantitativt at vurdere samknytninger blandt markører blev der først brugt en hård K-midlet klyngealgoritme til at fastsætte 5000 klynger på de todimensionale t-SNE-data.Medianudtrykket af alle markører fra alle klynger blev derefter brugt til at skabe et varmekort fra disse klynger, så samtilknytninger let kan identificeres, såsom medsammenslutningen af Tim-3, PD-1, CD38 og 4-1BB. Under forsøg på denne procedure er det vigtigt at huske at udforske de forskellige parametre, f.eks.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Visual analytics (VA) has emerged as a new way to analyze large dataset through interactive visual display. We demonstrated the utility and the ...

Flow Cytometry Analysis of Immune Cells Within Murine Aortas

Atherosclerosis is a chronic inflammatory process of medium and large size vessels that is characterized by the formation of plaques consisting of foam ...

Single-cell Analysis of Bacillus subtilis Biofilms Using Fluorescence Microscopy and Flow Cytometry

Single-cell Analysis of Bacillus subtilis Biofilms Using Fluorescence Microscopy and Flow Cytometry

Encellede Analyse af Bacillus subtilis Biofilm Brug fluorescensmikroskopi og Flowcytometri

Biofilm formation is a general attribute to almost all bacteria 1-6. When bacteria form biofilms, cells are encased in extracellular matrix that is mostly ...

Examination of Thymic Positive and Negative Selection by Flow Cytometry

Undersøgelse af tymisk positiv og negativ selektion ved flowcytometri

A healthy immune system requires that T cells respond to foreign  antigens while remaining tolerant to self-antigens. Random rearrangement of the  T cell ...

A Simple and Rapid Protocol to Non-enzymatically Dissociate Fresh Human Tissues for the Analysis of Infiltrating Lymphocytes

En enkel og hurtig protokol til ikke-enzymatisk dissociere frisk humant væv til analyse af lymfocytter

The ability of malignant cells to evade the immune system, characterized by tumor escape from both innate and adaptive immune responses, is now accepted ...

Isolation of Leukocytes from the Murine Tissues at the Maternal-Fetal Interface

Isolering af leukocytter fra det murine væv på maternel-føtal grænseflade

Immune tolerance in pregnancy requires that the immune system of the mother undergoes distinctive changes in order to accept and nurture the developing ...

Characterization of Human Monocyte Subsets by Whole Blood Flow Cytometry Analysis

Karakterisering af humane monocyt delmængder af fuldblod Flow flowcytometri analyse

Monocytes are key contributors in various inflammatory disorders and alterations to these cells, including their subset proportions and functions, can ...

Preparation of Whole Bone Marrow for Mass Cytometry Analysis of Neutrophil-lineage Cells

Fremstilling af hele knoglemarv til masse cytometri analyse af neutrofile-Lineage celler

In this article, we present a protocol that is optimized to preserve neutrophil-lineage cells in fresh BM for whole BM CyTOF analysis. We utilized a ...

Visualization and Quantification of High-Dimensional Cytometry Data using Cytofast and the Upstream Clustering Methods FlowSOM and Cytosplore

Visualisering og kvantificering af Højdimensionale cytometri-data ved hjælp af Cytofast og upstream-klynge metoderne FlowSOM og Cytosplore

The complexity of data generated by mass cytometry has necessitated new tools to rapidly visualize analytic outcomes. Clustering methods like Cytosplore ...

Isolation of Mouse Kidney-Resident CD8+ T cells for Flow Cytometry Analysis

Isolation of Mouse Kidney-Resident CD8+ T cells for Flow Cytometry Analysis

Isolering af musenyrnyre resident CD8+ T-celler til flowcytometrianalyse

Tissue-resident memory T cell (TRM) is a rapidly expanding field of immunology research. Isolating T cells from various non-lymphoid tissues is one of the ...