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

Die Autoren haben keine Bestätigungen.

(1) sammeln und aufbereiten Cytometry Daten
<ol><li>Setzen Sie alle einzelnen Flecken in einem Ordner von selbst und Label von der Kanalname (indem Fluorophor, keine Markierung).</li>
</ol>2. Daten Import & Pre-Processing
<ol><li>Um anzuhalten oder während dieser Analyse Pipeline zu speichern, verwenden die Schaltfläche " Arbeitsbereich speichern " in der unteren linken Ecke des Programms, um den Arbeitsbereich zu speichern ein ". MAT "-Datei, die später über den Button <s...

<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 präsentieren wir Ihnen ExCYT, eine neue grafische Benutzeroberfläche laufen MATLAB-basierten Algorithmen zur Analyse hochdimensionaler Zytometrie Daten, Optimierung ermöglicht Personen ohne Hintergrund in der Programmierung, die neuesten in hochdimensionalen Daten zu implementieren Analysealgorithmen. Die Verfügbarkeit dieser Software der breiteren Fachöffentlichkeit können Wissenschaftler ihre Flow Cytometry Daten in einem intuitiven und einfachen Workflow durchsuchen. Durch Durchführung von t-SNE Reduzierun...

Fortschritte in der Durchflusszytometrie sowie das Aufkommen der Masse Zytometrie hat erlaubt, Kliniker und Wissenschaftler, um schnell zu identifizieren und zu charakterisieren, phänotypisch biologisch und klinisch interessante Muster mit neuen Levels von Auflösung, große hochdimensionalen Daten-Sets, die Informationen reichen1,2,3sind. Während herkömmliche Methoden für die Analyse von Flow Cytometry Daten wie z. B. manuelle Anspritzung einfacher für Experimente wurden gibt es einige Marker und diese Marker haben optisch erkennbare Populationen, kann dieser Ansatz nicht generieren reproduzierbare Ergebnisse bei der Analyse der höherdimensionalen Datensätze oder solche mit Marker Flecken auf ein Spektrum. Beispielsweise wurden in einer Multi-institutionelle Studie, wo intrazelluläre Färbung (ICS) Assays durchgeführt, um die Reproduzierbarkeit der Quantifizierung antigenspezifischen T-Zell-Reaktionen, trotz guter laborübergreifenden Präzision, Analyse, insbesondere zu beurteilen Anspritzung, eine bedeutende Quelle der Variabilität4eingeführt. Darüber hinaus ist der Prozess der manuell Anspritzung Bevölkerung von Interessen, abgesehen davon, dass höchst subjektiv sehr zeitaufwendig und arbeitsintensiv. Das Problem der Analyse hochdimensionaler Datensätze in eine robuste, effiziente und rechtzeitige Weise ist jedoch nicht eine neue Forschung Wissenschaften. Genexpressionsstudien erzeugen oft sehr hochdimensionalen Daten-Sets (oft in der Größenordnung von Hunderten von Genen) wo manuelle Formen der Analyse einfach nicht machbar wäre. Um die Analyse dieser Daten-Sets zu begegnen, wurde viel Arbeit bei der Entwicklung von bioinformatische Werkzeuge gen Ausdruck Daten5analysieren. Diese algorithmische Ansätze wurden gerade vor kurzem in der Analyse der Zytometrie Daten angenommen wie die Anzahl der Parameter gestiegen ist und haben sich als von unschätzbarem Wert für die Analyse von diesen hohen dreidimensionale Datensätze6,7.
Trotz der Erzeugung und Anwendung einer Vielzahl von Algorithmen und Software-Pakete, mit denen Wissenschaftler dieser hochdimensionalen bioinformatische Ansätze auf ihre Flow Cytometry Daten anwenden, bleiben diese analytische Techniken noch weitgehend ungenutzt. Es gibt zwar eine Vielzahl von Faktoren, die die Verbreitung dieser Ansätze auf Zytometrie Daten8begrenzt haben, das große Hindernis, die wir in den Verdacht dieser Ansätze von Wissenschaftlern verwenden, ist ein Mangel an rechnerische wissen. In der Tat sind viele dieser Software-Pakete (z.B. FlowCore, FlowMeans und OpenCyto) geschrieben, um in Programmiersprachen wie z. B. R, die materiellen Programmierkenntnisse noch benötigen umgesetzt werden. Software-Pakete wie FlowJo haben Gnade unter Wissenschaftlern aufgrund der Einfachheit der Nutzung und "Plug-n-Play" Natur sowie Kompatibilität mit dem PC-Betriebssystem gefunden. Um die Vielfalt der anerkannte und wertvolle analytische Techniken der Wissenschaftler unbekannte Programmierung bieten, haben wir ExCYT, eine grafische Benutzeroberfläche (GUI) entwickelt, die leicht auf einem PC/Mac installiert werden kann, die viele der neuesten Techniken zieht einschließlich der Reduzierung der Dimensionalität für intuitive Visualisierung, eine Vielzahl von clustering Methoden in der Literatur, zusammen mit neuartigen Features zu erkunden die Ausgabe dieser zitiert clustering-Algorithmen mit Heatmaps und Roman hochdimensionalen Fluss/Box-Plots.
ExCYT ist eine grafische Benutzeroberfläche in MATLAB gebaut und daher können entweder direkt ausgeführt werden in MATLAB oder ein Installationsprogramm ist, vorausgesetzt, die verwendet werden können, um die Installation auf jedem PC/Mac. Die Software ist erhältlich bei https://github.com/sidhomj/ExCYT. Wir präsentieren Ihnen ein detailliertes Protokoll wie Sie Daten importieren, vorab zu bearbeiten, führen t-SNE Reduzierung der Dimensionalität, Cluster-Daten, Art & filtern Cluster basierend auf Benutzer-Einstellungen und Displayinformationen zu den Clustern von Interesse über Heatmaps und Roman hochdimensionalen Fluss/Box-Plots ()Abbildung 1(). Achsen in t-SNE Parzellen sind willkürlich und in beliebigen Einheiten und als solche nicht immer in den Figuren der Einfachheit des Benutzers dargestellt-Schnittstelle. Die Färbung der Datenpunkte in der "t-SNE Heatmaps" ist von blau auf Gelb basierend auf das Signal der angegebenen Markierung. Beim clustering-Lösungen, die Farbe des Datenpunkts willkürliche Blockzahl basiert. Alle Teile des Workflows können durchgeführt werden, im Bereich GUI ()Abbildung 2 & Tabelle 1). Zu guter Letzt demonstrieren wir Ihnen die Verwendung von ExCYT auf zuvor veröffentlichten Daten der immun Landschaft von Nierenzellkarzinomen in der Literatur auch mit ähnlichen Methoden analysiert. Die Beispiel-Dataset verwendeten wir die Zahlen in diesem Manuskript zusammen mit dem Protokoll unten erstellen finden Sie auf https://premium.cytobank.org/cytobank/projects/875, bei der Registrierung eines Accounts.

<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

Mit dem Aufkommen der fließen Cytometers messen eine zunehmende Anzahl von Parametern weiterhin größere Platten phänotypisch Eigenschaften ihrer zellulären Muster zur Erkundung entwickeln Wissenschaftler. Allerdings liefern diese technologischen Zuführungen hochdimensionalen Daten-Sets, die immer schwieriger zu Objektiv im traditionellen Handbuch-gating Programme analysieren haben. Um besser zu analysieren und darstellen von Daten, arbeiten Wissenschaftler mit Bioinformatikern mit Erfahrung in der Analyse hochdimensionaler Daten um ihre Flow Cytometry Daten analysiert werden. Während diese Methoden sehr wertvoll bei der Untersuchung der Durchflusszytometrie gezeigt wurden, haben sie noch in eine einfache und leicht zu bedienenden Paket für Wissenschaftler einbezogen werden, die rechnerische oder Programmierung Fachwissen verfügen. Zu diesem Zweck haben wir ExCYT, ein MATLAB-basierte grafische Benutzeroberfläche (GUI) entwickelt, die die Analyse hochdimensionaler Flow Cytometry Daten optimiert durch die Implementierung verwendeten Analyseverfahren für hochdimensionale Daten einschließlich Reduzierung der Dimensionalität von t-SNE, Grundstücke eine Vielzahl von automatisierten und manuellen clustering Methoden, Heatmaps und neuartige hochdimensionalen fließen. Darüber hinaus bietet ExCYT traditionelle gating Optionen wählen Sie Populationen von Interesse für weitere t-SNE und clustering-Analyse sowie die Fähigkeit, Tore direkt am t-SNE Grundstücke anzuwenden. Die Software bietet den zusätzlichen Vorteil des Arbeitens mit entweder ausgeglichen oder unkompensierten FCS-Dateien. Für den Fall, dass nach der Übernahme Ausgleich erforderlich ist, können Benutzer dem Programm ein Verzeichnis von einzelnen Flecken und einer ungefärbten Probe zur Verfügung stellen. Das Programm erkennt positive Ereignisse in allen Kanälen und verwendet diese Daten auswählen mehr Objektiv die Vergütungsmatrix berechnen. ExCYT bietet eine umfassende Analyse Pipeline um Flow Cytometry Daten in Form von FCS-Dateien und jede Person, unabhängig von der rechnerische Ausbildung, um die neuesten algorithmische Ansätze für das Verständnis ihrer Daten verwenden lassen.

Um die Nutzbarkeit des ExCYT zu testen, haben wir analysiert einen kuratierten Datensatz von Chevrier Et Al. mit dem Titel "Ein immun Atlas der klare Renal Basalzellkarzinom" wo die Gruppe CyTOF mit einem umfangreichen immun-Panel Tumor Proben 73 Analyse veröffentlicht Patienten-11. Zwei getrennte Platten, einer myeloischen und lymphatischen Panel wurden verwendet, um der Tumor Mikroumgebung phänotypisch zu charakterisieren. Das Ziel unserer Studie war e...

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 ist ein MATLAB-basierte grafische Benutzeroberfläche (GUI), die Benutzern erlaubt, ihre Flow Cytometry über häufig Datenanalyse Analysetechniken für hochdimensionale Daten, einschließlich der Reduzierung der Dimensionalität über t-SNE, eine Vielzahl von automatisierten und manuellen beschäftigt Clustering-Methoden, Heatmaps und neuartige hochdimensionalen Fluss Grundstücke.

ExCYT: Eine grafische Benutzeroberfläche für die Straffung der Analyse hochdimensionaler Cytometry Daten

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

Diese Methode kann helfen, wichtige Fragen im biomedizinischen Bereich zu beantworten, wie z. B. das Verständnis des Phänotyps biologisch relevanter Subpopulationen. Der Hauptvorteil dieser Technik ist, dass sie es einer Person ohne Programmiererfahrung ermöglicht, ihre Zytometriedaten mit den neuesten hochdimensionalen Techniken zu analysieren. Um eine Analysepipeline zu starten, wählen Sie zunächst den Zytometrietyp und die Anzahl der Ereignisse aus der Datei aus.Klicken Sie als Nächstes auf Gate-Bevölkerung, wählen Sie die von Interesse interessierten Zellpopulationen aus, und geben Sie den Prozentsatz der Ereignisse für die nachgelagerte Analyse ein. Wählen Sie dann im Listenfeld die Anzahl der Kanäle aus, die für die Analyse verwendet werden sollen. Klicken Sie für T-distributed Stochastic Neighbor Embedding oder t-SNE-Analyse auf t-SNE, um mit der Berechnung des reduzierten Dimensionsdaten-Datasets zu beginnen.Wenn der Satz berechnet wurde, klicken Sie auf TSNE-Bild speichern, und wählen Sie im Popupmenü Marker-Specific t-SNE einen bestimmten Marker aus. Es wird eine Abbildung angezeigt, die eine Heatmap-Darstellung des t-SNE-Plots zeigt, die für die Abbildungsgenerierung gespeichert werden kann. Um mit der Clusteranalyse zu beginnen, wählen Sie im Listenfeld Clusteringmethode eine Option aus, und klicken Sie auf Cluster.Um die Cluster nach einer Markierung von Interesse zu sortieren, wählen Sie die entsprechende Option aus dem Popupmenü Sortieren aus, und klicken Sie im Listenfeld Cluster auf Aufsteigend, Absteigend, um die Liste der Cluster zu aktualisieren. Um einen minimalen Schwellenwert für einen bestimmten Cluster über einen bestimmten Kanal festzulegen, wählen Sie eine Option im Popupmenü Schwellenwert aus, und legen Sie einen entsprechenden Schwellenwert fest. Nachdem der Schwellenwert festgelegt wurde, klicken Sie auf Über-Schwellenwert hinzufügen oder Unterschwellenwert hinzufügen, um die Richtung des Schwellenwerts anzugeben, und geben Sie im Feld Clusterfrequenzschwellenwert im Clusterfilterfeld einen numerischen Grenzwert ein, um einen minimalen Schwellenwert für die Häufigkeit eines Clusters festzulegen.Um Cluster für die weitere Analyseindividualisierung auszuwählen, wählen Sie im Listenfeld Cluster die clusters of interest aus. Verwenden Sie die Schaltfläche Auswählen, um die Optionen in das Listenfeld Clusteranalyse zu verschieben. Um Heatmaps der Cluster zu erstellen, wählen Sie die von Interesse sindden Cluster im Listenfeld Clusteranalyse aus, und klicken Sie auf die Schaltfläche HeatMap der Cluster.Um ein hochdimensionales Box-Plot oder ein hochdimensionales Flussdiagramm zu erstellen, wählen Sie die Cluster von Interesse im Listenfeld Clusteranalyse aus, und klicken Sie entweder auf High-Dimensional Box Plot oder High-Dimensional Flow Plot, um die Verteilung der angegebenen Kanäle verschiedener Cluster über alle Dimensionen hinweg visuell zu bewerten. Um Cluster in herkömmlichen 2D-Flussdiagrammen anzuzeigen, wählen Sie die entsprechende Transformation und den entsprechenden Kanal im Bedienfeld "Konventionelles Flussdiagramm" aus, und klicken Sie auf Konventionelles Flussdiagramm. Hier wird eine repräsentative t-SNE-Analyse von Heatmaps für verschiedene Marker innerhalb einer myeloischen Panelanalyse-Pipeline gezeigt.Mit der schnellen gierigen Implementierung innerhalb von ExCYT wurden die Daten mit 100.000 der nächsten Nachbarn gruppiert, 19 Teilpopulationen von Zellen wurden aufgedeckt. Durch den Vergleich der ursprünglichen Heatmaps mit den von ExCYT erstellten Clustern konnten ähnliche Cluster der myeloischen Zellen zwischen den beiden Datengruppen identifiziert werden. Die Analyse des Lymphoid-Panels mit einem konventionelleren und schnelleren hierarchischen Clustering-Ansatz ergab ähnliche Markerverteilungen über t-SNE-Wärmekarten.Darüber hinaus zeigte die Clusterbildung der Daten über hierarchische Clusterbildung ähnliche Cluster von Lymphzellen. Bemerkenswert ist, dass eine einzigartige regulatorische T-Zellpopulation auch über ein hochdimensionales Strömungsdiagramm identifiziert wurde. Um Die Ko-Assoziationen zwischen Markern schnell und quantitativ zu bewerten, wurde zunächst ein harter K-Means-Clustering-Algorithmus verwendet, um 5000 Cluster auf den zweidimensionalen t-SNE-Daten festzulegen.Der mediane Ausdruck aller Marker aus allen Clustern wurde dann verwendet, um aus diesen Clustern eine Heatmap zu erstellen, mit der Ko-Assoziationen leicht identifiziert werden können, wie z. B. die Mitzuordnung von Tim-3, PD-1, CD38 und 4-1BB. Beim Versuch dieses Verfahrens ist es wichtig, die verschiedenen Parameter, z. B. verschiedene Clusteringmethoden, zu untersuchen, um die Daten, die Sie untersuchen, vollständig zu untersuchen.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Erleichterung der Analyse der immunologischen Daten mit Visual analytischen Techniken

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

Forschung

Immunologie und Infektion

Flow Cytometry Analysis of Immune Cells Within Murine Aortas

Durchflusszytometrie-Analyse von Immunzellen innerhalb Murine Aorten

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

Einzel-Zell-Analyse Bacillus subtilis Biofilme mittels Fluoreszenzmikroskopie und Durchflusszytometrie

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

Prüfung Thymic positive und negative Selektion mittels Durchflusszytometrie

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

Eine einfache und schnelle Protokoll zum Nicht enzymatisch Dissociate Frische menschlichen Geweben zur Analyse der infiltrierenden Lymphozyten

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

Isolierung von Leukozyten aus dem Mausgeweben an der Maternal-Fetal-Schnittstelle

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

Charakterisierung der menschliche Monocyte Teilmengen von Vollblut Flow Cytometry Analysis

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

Vorbereitung des ganzen Knochenmarks für die Mass Cytometry Analyse von Neutrophilen-Linienzellen

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

Visualisierung und Quantifizierung hochdimensionaler Zytometriedaten mit Cytofast und den Upstream Clustering Methods FlowSOM und 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

Isolierung von Maus-Kidney-Resident-CD8+ T-Zellen für die Durchflusszytometrie-Analyse

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 ...