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

Os autores têm sem agradecimentos.

1. coletar e preparar dados Cytometry
<ol><li>Coloca todas as manchas única em uma pasta por si mesmos e o rótulo com o nome de canal (por fluoróforo, não marcador).</li>
</ol>2. pré-processamento & importação de dados
<ol><li>Para pausar ou salvar em todo esse pipeline de análise, use o botão de Salvar espaço de trabalho no canto inferior esquerdo do programa para salvar o espaço de trabalho como um '. MAT' arquivo que mais tarde pode ser carregado através do bot?...

<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>

Aqui nós apresentamos ExCYT, interface gráfica do usuário do romance executando algoritmos baseados em MATLAB para simplificar a análise de dados de alta dimensão citometria, permitindo que os indivíduos com nenhuma experiência em programação para implementar o mais recente de dados de alta dimensão algoritmos de análise. A disponibilidade deste software para a comunidade científica mais ampla permitirá que os cientistas explorar seus dados de citometria de fluxo em um fluxo de trabalho intuitivo e simples. ...

Avanços em citometria de fluxo, bem como o advento da citometria de massa permitiu que os médicos e cientistas para rapidamente identificar e caracterizar fenotipicamente biologicamente e clinicamente interessantes amostras com novos níveis de resolução, criando grandes conjuntos de dados altamente dimensionais que são informações ricas1,2,3. Enquanto os métodos convencionais para a análise de dados de citometria de fluxo como gating manual têm sido mais simples para experiências onde existem alguns marcadores e esses marcadores têm populações visualmente perceptíveis, esta abordagem pode falhar gerar Resultados reprodutíveis ao analisar conjuntos de dados de dimensão superior ou aqueles com marcadores em um espectro de coloração. Por exemplo, em um estudo multi-institucional, onde intra celular coloração (ICS) ensaios foram sendo realizados para avaliar a reprodutibilidade de dosar respostas de célula T de antígeno-específicas, apesar de boa precisão interlaboratorial, análise, particularmente gating, introduziu uma fonte significativa de variabilidade4. Além disso, o processo de retenção manualmente de população de interesses, além de ser altamente subjetivo é altamente consumindo tempo e mão de obra intensiva. No entanto, o problema de analisar conjuntos de dados de alta dimensão de maneira robusta, eficiente e oportuna não é um novo para as Ciências da pesquisa. Estudos de expressão do gene muitas vezes geram conjuntos de dados extremamente elevado-dimensional (muitas vezes na ordem de centenas de genes) onde formulários manuais de análise seria simplesmente inviável. Para obviar a análise desses conjuntos de dados, tem havido muito trabalho no desenvolvimento de ferramentas de bioinformatic para analisar a expressão de gene dados5. Essas abordagens algorítmicas só recentemente adoptaram-na análise dos dados de citometria como o número de parâmetros aumentou e têm provado para ser muito útil na análise destes conjuntos de dados dimensional elevada6,7.
Apesar da geração e aplicação de uma variedade de algoritmos e pacotes de software que permitem que os cientistas aplicar essas abordagens de bioinformatic alta dimensão aos seus dados de citometria de fluxo, estas técnicas analíticas ainda permanecem em grande parte não utilizadas. Embora possa haver uma variedade de fatores que têm limitado a adopção generalizada dessas abordagens para citometria dados8, o obstáculo principal suspeita no uso dessas abordagens pelos cientistas, é uma falta de conhecimento computacional. Na verdade, muitos destes pacotes de software (isto é, flowCore, flowMeans e OpenCyto) são escritos para ser implementado em linguagens de programação como R que ainda exigem conhecimento de programação substantivo. Pacotes de software, tais como FlowJo tem encontrado favor entre os cientistas, devido à simplicidade de uso e natureza 'plug-n-play', bem como a compatibilidade com o sistema operacional do PC. A fim de fornecer a variedade de técnicas analíticas aceitas e valiosas para a programação de cientista desconhecido, nós desenvolvemos ExCYT, uma interface de usuário gráfica (GUI) que pode ser facilmente instalada em um PC/Mac que puxa muitas das mais recentes técnicas incluindo a redução de dimensionalidade para visualização intuitiva, uma variedade de métodos de clusterização citado na literatura, juntamente com novos recursos para explorar a saída destes algoritmos com parcelas de fluxo/caixa alta dimensão heatmaps e romance de clustering.
ExCYT é uma interface de usuário gráfica criada em MATLAB e, portanto, pode também ser executado dentro MATLAB diretamente ou um instalador é fornecido que pode ser usado para instalar o software em qualquer PC/Mac. O software está disponível em https://github.com/sidhomj/ExCYT. Apresentamos um protocolo detalhado para saber como importar dados, pre-processá-lo, realizar redução de dimensionalidade de t-PND, dados do cluster, classificar & filtrar conjuntos com base em preferências do usuário e exibir informações sobre os clusters de interesse via heatmaps e romance fluxo/caixa alta dimensão parcelas (Figura 1). Eixos em parcelas t-PND são arbitrários e em unidades arbitrárias e como tal, como nem sempre mostrado nas figuras a simplicidade do usuário da interface. A coloração de pontos de dados no "t-PND Heatmaps" é do azul ao amarelo, com base no sinal do marcador indicado. Em soluções de cluster, a cor do ponto de dados se baseia arbitrário número de cluster. Todas as partes do fluxo de trabalho podem ser realizadas no painel único GUI (Figura 2 & tabela 1). Finalmente, vamos demonstrar o uso de ExCYT em dados publicados anteriormente, explorando a paisagem imune de carcinoma de células renais na literatura, também analisada com métodos similares. O conjunto de dados de exemplo que nós usamos para criar os números neste manuscrito juntamente com o protocolo abaixo pode ser encontrado em https://premium.cytobank.org/cytobank/projects/875, aquando do registo de uma conta.

<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

Com o advento dos citômetros capazes de medir um número crescente de parâmetros, os cientistas continuam a desenvolver painéis maiores fenotipicamente explorar as características de suas amostras celulares. No entanto, estes avanços tecnológicos rendem elevado-dimensional conjuntos de dados que se tornaram cada vez mais difíceis de analisar objetivamente dentro tradicionais manual programas associados. A fim de melhor analisar e apresentar dados, cientistas parceiro com bioinformaticians com experiência em análise de dados de alta dimensão para analisar seus dados de citometria de fluxo. Enquanto esses métodos foram mostrados para ser altamente valiosa no estudo de citometria de fluxo, eles ainda têm a ser incorporados em um pacote simples e fácil de usar para os cientistas que não possuem conhecimentos computacionais ou programação. Para atender a essa necessidade, nós desenvolvemos ExCYT, uma baseada em MATLAB Graphical User Interface (GUI) que simplifica a análise dos dados de citometria de fluxo elevado-dimensional implementando técnicas analíticas comumente empregadas para a inclusão de dados de alta dimensão redução de dimensionalidade por t-PND, uma variedade de métodos de clusterização automáticos e manuais e heatmaps novo alta dimensão fluxo de parcelas. Além disso, ExCYT fornece opções associadas tradicionais de selecionadas populações de interesse para mais t-PND e análise, bem como a capacidade de aplicar gates diretamente na t-PND parcelas de clustering. O software fornece a vantagem adicional de trabalhar com qualquer compensada ou descompensados arquivos FCS. Caso a compensação pós aquisição é necessária, o usuário pode escolher fornecer o programa, um diretório único manchas e uma amostra de imaculado. O programa detecta eventos positivos em todos os canais e usa esses dados selecionados mais objetivamente, calcular a matriz de compensação. Em resumo, ExCYT fornece um pipeline de análise abrangente para pegar dados de citometria de fluxo na forma de arquivos FCS e permitir que qualquer indivíduo, independentemente de formação computacional, para usar as últimas abordagens algorítmicas na compreensão de seus dados.

A fim de testar a usabilidade de ExCYT, analisamos um conjunto de dados com curadoria, publicado por Chevrier et al . intitulada 'An imune Atlas de claro Cell Carcinoma Renal' onde o grupo realizou análises de CyTOF com um extenso painel imune em tumor amostras colhidas de 73 pacientes de11. Dois painéis separados, um painel de mieloide e linfoide, foram usados para caracterizar fenotipicamente o microambiente do tumor. O objetivo do nosso estudo foi rec...

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 é um baseado em MATLAB Graphical User Interface (GUI) que permite aos usuários analisar seus dados de citometria de fluxo via comumente empregadas técnicas de análise dos dados de alta dimensão incluindo redução de dimensionalidade através de t-PND, uma variedade de automático e manual fluxo de alta dimensão romance, heatmaps e métodos de clustering parcelas.

ExCYT: Uma Interface gráfica do usuário para racionalizar a análise de dados de alta dimensão Cytometry

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

Esse método pode ajudar a responder a perguntas-chave no campo biomédico, como a compreensão do fenótipo de subsébios biologicamente relevantes. A principal vantagem dessa técnica é que permite que um indivíduo sem experiência de programação analise seus dados de citometria com o que há de mais moderno em técnicas de alta dimensão. Para iniciar um pipeline de análise, selecione primeiro o tipo de citometria e o número de eventos para amostrar do arquivo.Em seguida, clique em População de Portão, selecione as populações celulares de interesse e insira a porcentagem de eventos para análise a jusante. Em seguida, selecione o número de canais a serem usados para a análise na caixa de lista. Para a análise do Vizinho Estocástico distribuído por T, ou análise t-SNE, clique em t-SNE para começar a calcular o conjunto de dados de dimensionalidade reduzido.Quando o conjunto tiver sido calculado, clique em Salvar a imagem TSNE e no menu pop-s t-SNE específico do marcador, selecione um marcador específico de interesse. Uma figura aparecerá mostrando uma representação do mapa de calor do enredo t-SNE que pode ser salvo para geração de figuras. Para iniciar a análise de clustering, selecione uma opção na lista Método de clustering e clique em Cluster.Para classificar os clusters por um marcador de interesse, selecione a opção correspondente apropriada no menu pop-up Sort e clique em Ascender, Descendo, para atualizar a lista de clusters na lista Clusters. Para definir um valor mínimo de limite para um determinado cluster em um determinado canal, selecione uma opção no menu pop-up Threshold e defina um limite apropriado. Uma vez definido o limiar, clique em Adicionar acima do limiar ou adicionar abaixo do limiar, para especificar a direção do limiar e digitar um corte numérico na caixa Limiar de Frequência de Cluster, no painel Filtro de Cluster, para definir um limite mínimo para a frequência de um cluster.Para selecionar clusters para posterior individualização de análise, selecione os clusters de interesse, na caixa de lista Clusters. E use o botão Selecionar, para mover as opções para a caixa de lista Cluster Analyze. Para criar mapas de calor dos clusters, selecione os clusters de interesse na caixa de lista Cluster Analyze e clique no botão HeatMap of Clusters.Para criar um gráfico de caixa de alta dimensão, ou um gráfico de fluxo de alta dimensão, selecione os clusters de interesse na caixa de lista Cluster Analyze e clique em Gráfico de Caixa De alta dimensão, ou Gráfico de Fluxo de Alta Dimensão, para avaliar visualmente a distribuição de determinados canais de vários clusters em todas as dimensões. Para mostrar clusters em gráficos de fluxo 2D tradicionais, selecione a transformação e o canal apropriados no painel Plot de Fluxo Convencional e clique em Plot de Fluxo Convencional. Aqui, uma análise t-SNE representativa de mapas de calor para vários marcadores dentro de um pipeline de análise de painel mielóide, são mostrados.Usando a rápida implementação gananciosa dentro do ExCYT para agrupar os dados com 100.000 dos vizinhos mais próximos, 19 subsu populações de células foram reveladas. A comparação dos mapas de calor originais com os clusters criados pela ExCYT permitiu que grupos semelhantes das células mielóides fossem identificados entre os dois grupos de dados. A análise do painel linfoide com uma abordagem hierárquica mais convencional e mais rápida, rendeu distribuições de marcadores semelhantes através de mapas de calor t-SNE.Além disso, o agrupamento dos dados através de agrupamento hierárquico demonstrou agrupamentos semelhantes de células linfoides. Notavelmente, uma população de células T regulamentar única também foi identificada através de uma parcela de fluxo de alta dimensão. Para avaliar de forma rápida e quantitativa as co-associações entre os marcadores, primeiro um algoritmo de agrupamento de meios K rígido foi usado para estabelecer 5000 clusters nos dados t-SNE bidimensionais.A expressão mediana de todos os marcadores de todos os clusters foi então utilizada, para criar um mapa de calor a partir desses clusters, permitindo que co-associações fossem facilmente identificadas, como a co-associação de Tim-3, PD-1, CD38 e 4-1BB. Ao tentar esse procedimento, é importante lembrar de explorar os diferentes parâmetros, como diferentes métodos de agrupamento, para explorar completamente os dados que você está estudando.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Facilitar a Análise de Dados com Visual imunológicos Técnicas Analíticas

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

Imunologia e Infecção

Flow Cytometry Analysis of Immune Cells Within Murine Aortas

Análise por Citometria de fluxo das células imunológicas Dentro aortas murino

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

Análise de uma única célula de Bacillus subtilis Os biofilmes utilizando microscopia de fluorescência e citometria de fluxo

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

Exame de seleção positiva e negativa Tímico por citometria de fluxo

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

Um protocolo simples e rápido para não enzimática Separar frescos Tecidos Humanos para a Análise de infiltrar Linfócitos

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

Isolamento de Leucócitos a partir de tecidos de murino na interface materno-fetal

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

Caracterização de subconjuntos de monócitos humanos por sangue total 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

Preparação de medula óssea inteira para análise de citometria de massa de células de linhagem de neutrófilos

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

Visualização e quantificação de dados de citometria de alta dimensão usando Cytofast e os métodos de agrupamento upstream FlowSOM e 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

Isolamento das células CD8+ T residentes em rim do rato para análise de citometria de fluxo

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 ...