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

De auteurs hebben geen bevestigingen.

1. verzamelen en Cytometry gegevens voorbereiden
<ol><li>Alle enkele vlekken in een map plaatsen door zichzelf en etiket door de naam van het kanaal (door fluorophore, niet de markering).</li>
</ol>2. gegevens invoer & voorbehandeling
<ol><li>Als u wilt onderbreken of op te slaan gedurende deze analyse-pijpleiding, gebruiken de Werkruimte opslaan -knop in de linkerbenedenhoek van het programma op te slaan van de werkruimte als een '. MAT' bestand dat later kan worden geladen v...

<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>

Hier presenteren we ExCYT, een nieuwe grafische gebruikersinterface uitgevoerd op basis van MATLAB algoritmen om te stroomlijnen analyse van hoge-dimensionale cytometry gegevens, waardoor individuen met geen achtergrond in programmeren uit te voeren uiterlijk in high-dimensional data analyse algoritmen. De beschikbaarheid van deze software aan de bredere wetenschappelijke gemeenschap kunnen wetenschappers om te verkennen hun stroom cytometry gegevens in een intuïtieve en eenvoudige workflow. Via het uitvoeren van t-GND ...

Voorschotten in stroom cytometry evenals de komst van massale cytometry heeft toegestaan clinici en wetenschappers te snel identificeren en fenotypische karakteriseren biologisch en klinisch interessant monsters met nieuwe niveaus van resolutie, maken grote high-dimensional data sets die informatie rijke1,2,3. Terwijl conventionele methoden voor het analyseren van stroom cytometry gegevens zoals handmatige gating eenvoudiger voor experimenten waarbij er paar markeringen en de markeringen hebben visueel waarneembaar populaties zijn, kan deze aanpak mislukken om te genereren reproduceerbare resultaten bij het analyseren van de hoger-dimensionale datasets of degenen met markeringen, vlekken op een spectrum. Bijvoorbeeld, in een multi-institutionele studie, waren waar intra-cellulaire kleuring (ICS) testen wordt uitgevoerd om na te gaan van de reproduceerbaarheid van antigeen-specifieke T cel reacties, ondanks goede interlaboratorium precisie, analyse, met name quantitating gating, introduceerde een belangrijke bron van variabiliteit4. Bovendien, het proces van gating handmatig bevolking van belangen, naast zeer subjectief is zeer tijdrovend en arbeid-intensieve. Echter behoort het probleem van het hoge-dimensionale datasets analyseren in een robuuste, efficiënte en tijdige wijze niet nieuw voor de wetenschappen van het onderzoek. Gen expressie studies genereren vaak extreem hoge-dimensionale datasets (vaak over de volgorde van honderden genen) waar handmatige vormen van analyse zou gewoon onhaalbaar. Om aan te pakken van de analyse van deze data sets, is er veel werk in het ontwikkelen van bioinformatic hulpmiddelen te parsen van gen expressie gegevens5. Deze algoritmische benaderingen hebben zojuist onlangs aangenomen in de analyse van cytometry gegevens zoals het aantal parameters is toegenomen en hebben bewezen te zijn van onschatbare waarde zijn in de analyse van deze hoge dimensionale datasets6,7.
Ondanks de generatie en de toepassing van een verscheidenheid van algoritmen en softwarepakketten waarmee wetenschappers deze hoge-dimensionale bioinformatic benaderingen toepassen op hun stroom cytometry gegevens, blijven deze analytische technieken nog steeds grotendeels ongebruikt. Hoewel er wellicht een verscheidenheid van factoren die de wijdverspreide goedkeuring van deze benaderingen van cytometry gegevens8hebben beperkt, de grote belemmering we vermoeden in gebruik van deze benaderingen van wetenschappers, is een gebrek aan computationele kennis. In feite, zijn veel van deze softwarepakketten (dat wil zeggen, flowCore, flowMeans en OpenCyto) geschreven in programmeertalen zoals R, waarvoor nog steeds inhoudelijke kennis van programmeren moeten worden uitgevoerd. Softwarepakketten zoals FlowJo hebben gevonden tussen wetenschappers te wijten aan de eenvoud van gebruik en 'plug-n-play' aard, alsmede de compatibiliteit met het besturingssysteem van de PC gunst. Om de verscheidenheid van geaccepteerde en waardevolle analytische technieken om de wetenschapper onbekend programmering, hebben we ExCYT, een grafische-gebruikersinterface (GUI) die gemakkelijk kan worden geïnstalleerd op een PC/Mac, die veel van de nieuwste technieken trekt inclusief dimensionaliteit reductie voor intuïtieve visualisatie, een verscheidenheid van clustering methoden genoemd in de literatuur, samen met nieuwe functies te verkennen van de uitvoer van deze clustering algoritmen met heatmaps en roman high-dimensionale stroom/vak percelen.
ExCYT is een grafische gebruikersinterface gebouwd in MATLAB en daarom kan ofwel worden uitgevoerd binnen MATLAB direct of een installateur is op voorwaarde dat kan worden gebruikt voor het installeren van de software op elke PC/Mac. De software is beschikbaar op https://github.com/sidhomj/ExCYT. Presenteren we een gedetailleerd protocol voor het importeren van gegevens, vooraf verwerken, voeren t-GND dimensionaliteit vermindering, clusterconfiguratiegegevens, sorteren & filteren op basis van gebruikersvoorkeuren, en weergave-informatie over de clusters van belang via heatmaps en roman clusters hoge-dimensionale stroom/vak percelen ()Figuur 1). Assen op de t-GND percelen zijn willekeurig en in willekeurige eenheden en als zodanig, zoals in de cijfers voor de eenvoud van de gebruiker niet altijd interface. De kleuring van gegevenspunten in de "t-GND Heatmaps" is van blauw naar geel op basis van het signaal van de aangegeven markering. Cluster oplossingen, is de kleur van het gegevenspunt willekeurige gebaseerd op clusteraantal. Alle onderdelen van de werkstroom kunnen worden uitgevoerd in het één deelvenster GUI ()Figuur 2 & tabel 1). Tot slot zullen we laten zien dat het gebruik van ExCYT op eerder gepubliceerde gegevens verkennen de immuun landschap van niercelcarcinoom in de literatuur, ook met soortgelijke methoden geanalyseerd. De monster-dataset die we gebruikt voor het maken van de cijfers in dit manuscript samen met het protocol hieronder vindt u op https://premium.cytobank.org/cytobank/projects/875, bij het registreren van een account.

<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

Met de komst van flow cytometers kan meten van een toenemend aantal parameters, blijven wetenschappers ontwikkelen grotere panelen om te verkennen fenotypische kenmerken van hun cellulaire monsters. Echter, deze technologische vooruitgang opleveren hoog-dimensionale datasets die steeds moeilijker te analyseren objectief binnen traditionele handleiding gebaseerde gating programma's zijn geworden. Om beter analyseren en presenteren van gegevens, werken wetenschappers samen met bioinformaticians met expertise in het analyseren van hoge-dimensionale gegevens hun stroom cytometry gegevens parseren. Terwijl deze methoden is aangetoond dat het zeer waardevol zijn bij het bestuderen van stroom cytometry, moeten ze nog worden opgenomen in een eenvoudig en makkelijk te gebruiken pakket voor wetenschappers die computationele of programmeertaal deskundigheid ontbreken. Om aan deze behoefte, hebben we ExCYT, een MATLAB-based Graphical User Interface (GUI) die de analyse van hoge-dimensionale stroom cytometry gegevens stroomlijnt door de uitvoering van gewoonlijk werknemer analytische technieken voor het opnemen van high-dimensional data de vermindering van dimensionaliteit door t-GND, een aantal handmatige en geautomatiseerde clustering methoden, heatmaps en roman high-dimensionale stroom percelen. Daarnaast biedt ExCYT traditionele gating opties selecteren populaties van belang voor verdere t-GND en clustering analyse evenals het vermogen om poorten direct aan t-GND percelen. De software verstrekt het extra voordeel van het werken met ofwel gecompenseerd of de niet-gecompenseerde FCS-bestanden. In het geval dat na overname compensatie vereist is, kan de gebruiker kiezen om het programma een directory van enkele vlekken en een onbevlekt monster. Het programma detecteert positieve gebeurtenissen in alle kanalen en gebruikt deze gegevens selecteren om te meer objectief berekenen de compensatie-matrix. Kortom biedt ExCYT een uitgebreide analyse pijpleiding om stroom cytometry gegevens in de vorm van FCS-bestanden en elk individu, ongeacht de computationele opleiding, gebruik van de nieuwste algoritmische benaderingen in het begrip van hun gegevens toestaan.

Om te testen de bruikbaarheid van ExCYT, geanalyseerd wij een curator gegevensset gepubliceerd door Chevrier et al. getiteld 'An immuun Atlas van duidelijke cel renale carcinoom' waar de groep uitgevoerd CyTOF analyse met een uitgebreide immuun panel met tumor monsters van 73 patiënten11. Twee afzonderlijke panelen, een myeloïde en lymfoïde panel, werden gebruikt om de fenotypische karakteriseren de communicatie van de tumor. Het doel van onze studie wa...

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 is een MATLAB gebaseerde grafische User Interface (GUI) waarmee gebruikers hun stroom cytometry om gegevens te analyseren via algemeen gebruikte analytische technieken voor high-dimensional data waaronder dimensionaliteit vermindering via t-GND, een aantal handmatige en geautomatiseerde Clustering van de methoden, heatmaps en roman high-dimensionale stroom percelen.

ExCYT: Een grafische gebruikersinterface voor het stroomlijnen van de analyse van High-dimensionale Cytometry gegevens

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

Deze methode kan helpen bij het beantwoorden van belangrijke vragen op biomedisch gebied, zoals het begrijpen van het fenotype van biologisch relevante subpopulaties. Het belangrijkste voordeel van deze techniek is dat het een individu zonder programmeerervaring in staat stelt om hun cytometriegegevens te analyseren met de nieuwste hoogdimensionale technieken. Als u een analysepijplijn wilt starten, selecteert u eerst het type cytometrie en het aantal gebeurtenissen dat u uit het bestand moet samplen.Klik vervolgens op Poortpopulatie, selecteer de celpopulaties van belang en voer het percentage gebeurtenissen in voor downstream-analyse. Selecteer vervolgens het aantal kanalen dat moet worden gebruikt voor de analyse in het keuzelijstje. Voor T-distributed Stochastic Neighbor Embedding of t-SNE-analyse klikt u op t-SNE om te beginnen met het berekenen van de gegevensset voor verminderde dimensionaliteit.Wanneer de set is berekend, klikt u op TSNE-afbeelding opslaan en selecteert u in het pop-upmenu Markeriek t-SNE een specifieke markering van belang. Er verschijnt een cijfer met een warmtekaartweergave van het t-SNE-plot dat kan worden opgeslagen voor het genereren van cijfers. Als u wilt beginnen met clusteranalyse, selecteert u een optie in het keuzevak Clusteringmethode en klikt u op Cluster.Als u de clusters wilt sorteren op een markering van belang, selecteert u de juiste bijbehorende optie in het pop-upmenu Sorteren en klikt u op Oplopend, Aflopend om de lijst met clusters in het keuzevak van clusters bij te werken. Als u een minimale drempelwaarde voor een bepaald cluster wilt instellen voor een bepaald kanaal, selecteert u een optie in het pop-upmenu Drempel en stelt u een geschikte drempelwaarde in. Zodra de drempelwaarde is ingesteld, klikt u op Boven drempelwaarde toevoegen of Onder drempelwaarde toevoegen om de richting van de drempelwaarde op te geven en voert u een numerieke cut-off in het vak Clusterfrequentiedrempel in het deelvenster Clusterfilter om een minimale drempel voor de frequentie van een cluster in te stellen.Als u clusters wilt selecteren voor verdere analysealualisatie, selecteert u de clusters van belang in het vak Clusters. En gebruik de knop Selecteren om de opties te verplaatsen naar het keuzevak Clusteranalyse. Als u warmtekaarten van de clusters wilt maken, selecteert u de clusters van belang in het keuzelijstje Clusteranalyse en klikt u op de knop HeatMap of Clusters.Als u een hoogdimensionaal vakplot of een hoogdimensionale stroomplot wilt maken, selecteert u de clusters van belang in het keuzelijstje Clusteranalyse en klikt u op Hoogdimensionale vakplot of Hoogdimensionale stroomplot om de verdeling van bepaalde kanalen van verschillende clusters over alle dimensies visueel te beoordelen. Als u clusters in traditionele 2D-stroomplots wilt weergeven, selecteert u de juiste transformatie en het juiste kanaal in het deelvenster Conventionele stroomplot en klikt u op Conventionele stroomplot. Hier wordt een representatieve t-SNE analyse van warmtekaarten voor verschillende markers binnen een myeloïde paneel analysepijplijn getoond.Met behulp van de snelle hebzuchtige implementatie binnen ExCYT om de gegevens te clusteren met 100.000 van de dichtstbijzijnde buren, werden 19 subpopulaties van cellen onthuld. Door de oorspronkelijke warmtekaarten te vergelijken met de clusters die door ExCYT zijn gemaakt, konden vergelijkbare clusters van de myeloïde cellen tussen de twee gegevensgroepen worden geïdentificeerd. Analyse van het lymfepaneel met een meer conventionele en snellere hiërarchische clustering benadering, leverde vergelijkbare marker distributies via t-SNE heat maps.Verder toonde clustering van de gegevens via hiërarchische clustering vergelijkbare clusters van lymfoïdecellen aan. Met name, een unieke regelgevende T-cel populatie werd ook geïdentificeerd via een hoog-dimensionale stroom plot. Om co-associaties tussen markers snel en kwantitatief te beoordelen, werd eerst een hard K-means clustering algoritme gebruikt om 5000 clusters op de tweedimensionale t-SNE-gegevens vast te leggen.De mediane expressie van alle markers uit alle clusters werd vervolgens gebruikt, om een warmtekaart uit deze clusters te maken, waardoor co-associaties gemakkelijk kunnen worden geïdentificeerd, zoals de co-associatie van Tim-3, PD-1, CD38 en 4-1BB. Tijdens het proberen van deze procedure, is het belangrijk om te onthouden om de verschillende parameters te verkennen, zoals verschillende clustering methoden, om volledig te verkennen van de gegevens die u bestudeert.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Het vergemakkelijken van de Analyse van de immunologische gegevens met Visual analytische technieken

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

Flowcytometrie-analyse van de immuuncellen Binnen Murine aorta

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

Single-cell analyse van Bacillus subtilis Biofilms met fluorescentie microscopie en Flow cytometrie

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

Onderzoek van thymus positieve en negatieve selectie via flowcytometrie

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

Een eenvoudige en snelle protocol bij niet-enzymatisch distantiëren Verse menselijke weefsels voor de Analyse van Infiltrating Lymfocyten

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

Isolatie van leukocyten uit de Murine Tissues de Maternal-Fetal Interface

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

Karakterisatie van menselijke monocyt deelverzamelingen door volbloed Stroom Cytometry 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

Voorbereiding van het hele beenmerg voor massa Cytometry analyse van neutrofiele-Lineage cellen

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

Visualisatie en kwantificering van High-dimensionale Cytometrie gegevens met behulp van Cytofast en de upstream clustering methoden FlowSOM en 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

Isolatie van Mouse Kidney-Resident CD8+ T cellen voor Flow Cytometry Analysis

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 ...