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

Авторы имеют без подтверждений.

1. сбор и подготовка данных цитометрии
<ol><li>Поместите все одного пятна в папке сами и метка, имя канала (по Флюорофор, не маркер).</li>
</ol>2. данных импорт и предварительной обработки
<ol><li>Чтобы приостановить или сохранить на протяжении всего этого анализа трубопровода, исполь?...

<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>

Здесь мы представляем ExCYT, Роман графический пользовательский интерфейс, работает на основе MATLAB алгоритмы для упрощения анализа данных высокой мерного цитометрии, позволяющие лицам без фона в программировании для реализации последней в высоких мерных данных алгоритмы анализа. Наличи...

Достижения в проточной цитометрии, а также появлением массового цитометрии позволило врачей и ученых, чтобы быстро выявлять и фенотипически характеризуют биологически и клинически интересные образцы с новыми уровнями резолюции, создавая большие высокий мерных наборов данных, которые информации богатые1,2,3. В то время как обычные методы для анализа потока данных цитометрии например ручной стробирования были более простым для экспериментов, где есть несколько маркеров и эти маркеры имеют визуально заметной населения, этот подход не может генерировать воспроизводимые результаты при анализе выше мерных наборов данных или с маркерами, Окрашивание спектра. Например в исследовании, многоучрежденческого, где внутри клеточных окрашивание (ICS) анализы выполняются для оценки воспроизводимости quantitating реакции антиген специфические Т-клеток, несмотря на хорошие межлабораторные точности, анализ, особенно Строб, представил значительный источник изменчивости4. Кроме того процесс вручную стробирования населения интересов, помимо того, что весьма субъективный интенсивно очень много времени и труда. Однако проблема анализа высокой мерных наборов данных на основе надежной, эффективной и своевременной является не один из новых наук исследования. Ген выражение исследования часто создают чрезвычайно высокой мерных наборов данных (часто порядка сотен генов) где ручной формы анализа будут просто неосуществим. Для того, чтобы решать анализ этих наборов данных, было много работы в разработке bioinformatic инструменты для разбора данных выражение гена5. Этих алгоритмических подходов просто были недавно приняты в анализе данных цитометрии увеличилось количество параметров и оказались очень полезными при анализе этих высоких мерных наборов данных6,7.
Несмотря на создание и применение различных алгоритмов и программных пакетов, которые позволяют ученым применять эти высокий мерного bioinformatic подходы к их данным цитометрии потока эти аналитические методы по-прежнему во многом неиспользуемых. Хотя может существовать целый ряд факторов, которые ограничивают широкое внедрение этих подходов к цитометрии данных8, основным препятствием которых мы подозреваем в использование этих подходов ученых, является отсутствие вычислительные знания. В самом деле многие из этих пакетов программного обеспечения (т.е., flowCore, flowMeans и OpenCyto) записываются в языках программирования, например R по-прежнему требующих основной знания программирования. Пакеты программного обеспечения, таких как FlowJo нашли пользу среди ученых благодаря простоте использования и природа «plug-n-play», а также совместимость с операционной системой компьютера. Для того, чтобы обеспечить разнообразие принятых и ценных аналитических методов для незнакомых программирование ученого, мы разработали ExCYT, графический пользовательский интерфейс (GUI), который может быть легко установлен на PC/Mac, который тянет многие из новейших методов включая снижение размерности для интуитивно визуализации, разнообразные методы кластеризации, цитируется в литературе, наряду с новизну для изучения вывода этих кластеризации алгоритмы с карты и Роман высокой мерного потока/прямоугольные.
ExCYT — это графический пользовательский интерфейс, построенный в MATLAB и поэтому можно либо запустить в MATLAB непосредственно или установщик предоставляется, который может использоваться для установки программного обеспечения на любой PC/Mac. Программное обеспечение доступно на https://github.com/sidhomj/ExCYT. Мы представляем подробный протокол о том, как импортировать данные, предварительно обработать его, провести сокращение размерности t СНЭ, кластер данных, сортировка и фильтр кластеров на основе предпочтений пользователя и отображения информации о кластерах интерес через карты и Роман высокий мерного потока/прямоугольные ()Рисунок 1). Топоры в t сне участков являются произвольными и в произвольных единицах и как таковые не всегда показано на рисунках для простоты пользовательский интерфейс. Раскраска точек данных в «T СНЭ карты» — от синего до желтого, основанный на сигнал указанного маркера. В кластеризации решения, цвет точки данных на основе произвольных номер кластера. Все части рабочего процесса может осуществляться в одной панели GUI ()Рисунок 2 & таблицы 1). Наконец мы продемонстрируем использование ExCYT ранее опубликованных данных, изучение иммунного пейзаж ренальной карциномы клетки в литературе, также проанализированы с аналогичными методами. Образец набора данных, который мы использовали для создания фигур в этой рукописи вместе с протоколом ниже можно найти на https://premium.cytobank.org/cytobank/projects/875, после регистрации учетной записи.

<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

С появлением цитофлуориметрами потока, способный измерять все большее количество параметров ученые продолжают развивать больших панелей фенотипически исследовать характеристики их клеточных образцов. Однако эти технологические усовершенствования принести высокого мерного наборы данных, которые становятся все более трудно объективно проанализировать в рамках традиционных программ на основе руководства стробирования. Для того, чтобы лучше анализировать и представлять данные, ученые партнера с биоинформатики с опыт в анализе высокой мерных данных для разбора данных цитометрии их потока. Хотя эти методы показали весьма ценным в изучении проточной цитометрии, они еще должны быть включены в простой и легкий в использовании пакет для ученых, которые не имеют опыта программирования и вычислительная. Для удовлетворения этой потребности, мы разработали ExCYT, MATLAB-графический пользовательский интерфейс (GUI) что упрощает анализ данных цитометрии высокой мерного потока путем реализации обычно занятых аналитических методов для высоких мерных данных включая размерность сокращение t СНЭ, целый ряд автоматизированных и ручных методов кластеризации, карты и Роман высокой мерного потока участков. Кроме того ExCYT предоставляет традиционные стробирования варианты выбора населения интерес для дальнейшего t СНЭ и кластеризации, анализа, а также способность применять ворота непосредственно на t сне участков. Программное обеспечение предоставляет дополнительное преимущество работы с либо компенсацию или безвозмездное ФТС файлы. В том случае, если после получения компенсации не требуется, пользователь может выбрать предоставить программу каталога одного пятна и безупречный пример. Программа обнаруживает позитивные события во всех каналах и использует этот выбрать данные для более объективно расчета компенсации матрицы. В целом ExCYT обеспечивает всесторонний анализ конвейера потока данных цитометрии в виде файлов FCS и разрешить любой человек, независимо от вычислительных обучения, использования современных алгоритмических подходов в понимании их данных.

Для того чтобы испытать удобство использования ExCYT, мы проанализировали куратор набор данных, публикуемых Chevrier et al. , под названием «иммунной Атлас из четких почечная карцинома» где группа провела анализ CyTOF с обширной иммунной группа на опухоль проб, взятых из 73 <su...

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, что на основе MATLAB графический пользовательский интерфейс (GUI), позволяет пользователям анализировать их потока данных цитометрии через часто используемые аналитические методы для высоких мерных данных, включая сокращение размерности через t СНЭ, целый ряд автоматизированных и ручных Кластеризация методы, карты и Роман высокой мерного потока участков.

ExCYT: Графический интерфейс пользователя для упорядочения анализ высокого мерных данных цитометрии

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

Этот метод может помочь ответить на ключевые вопросы в биомедицинской области, такие как понимание фенотипа биологически релевантных поднаселения. Основным преимуществом этой техники является то, что она позволяет человеку, не имеюму опыта программирования, анализировать свои цитометрические данные с помощью новейших высокомерных методов. Чтобы начать анализ конвейера, сначала выберите тип цитометрии и количество событий для выборки из файла.Далее нажмите Gate Population, выберите группы населения, представляющие интерес, и введите процент событий для анализа ниже по течению. Затем выберите количество каналов, которые будут использоваться для анализа в поле списка. Для T-распределенного встраивания stochastic Neighbor, или анализа t-SNE, нажмите t-SNE, чтобы начать вычисления набора данных с уменьшенной размерностью.При вычислении набора нажмите Save TSNE Image, а в всплывающем меню Marker-Specific t-SNE выберите определенный маркер интереса. Появится фигура, показывающая представление тепловой карты участка t-SNE, которое может быть сохранено для генерации фигур. Чтобы начать анализ кластеризации, выберите опцию в поле списка методов кластеризации и нажмите кластер.Чтобы сортировать кластеры по маркеру интереса, выберите соответствующий вариант из всплывающего меню Сортировки и нажмите «Восхождение, спуск», чтобы обновить список кластеров в поле списка кластеров. Чтобы установить минимальное пороговое значение для данного кластера по определенному каналу, выберите опцию из всплывающего меню Threshold и установите соответствующий порог. После того, как порог установлен, нажмите Добавить выше порога, или Добавить ниже порога, чтобы указать направление порога, и введите численное сокращение в поле порога частот кластера, в панели кластерного фильтра, чтобы установить минимальный порог частоты кластера.Чтобы выбрать кластеры для дальнейшей индивидуализации анализа, выберите кластеры, представляющие интерес, в поле списка кластеров. И используйте кнопку Select, чтобы переместить параметры в поле списка кластерного анализа. Чтобы создать тепловые карты кластеров, выберите кластеры, представляющие интерес в поле списка кластерного анализа, и нажмите кнопку HeatMap кластеров.Чтобы создать многомерный участок коробки, или высокомерный участок потока, выберите кластеры, представляющие интерес в поле списка кластерного анализа, и нажмите либо High-Dimensional Box Plot, или High-Dimensional Flow Plot, чтобы визуально оценить распределение данных каналов различных кластеров во всех измерениях. Чтобы показать кластеры в традиционных участках 2D потока, выберите соответствующую трансформацию и канал в панели обычного потока участка, и нажмите Обычный участок потока. Здесь показан репрезентативный t-SNE анализ тепловых карт для различных маркеров в рамках миелоидной панели анализа трубопровода.Используя быструю жадную реализацию в ExCYT для кластеризации данных со 100 000 ближайших соседей, было выявлено 19 под популяций ячеек. Сравнение исходных тепловых карт с кластерами, созданными ExCYT, позволило идентифицировать аналогичные кластеры миелоидных клеток между двумя группами данных. Анализ лимфоидной панели с более обычным и более быстрым иерархическим подходом к кластеризации дал аналогичные распределения маркеров с помощью тепловых карт t-SNE.Кроме того, кластеризация данных с помощью иерархической кластеризации продемонстрировала аналогичные кластеры лимфоидных клеток. Примечательно, что уникальная регулятивная популяция Т-клеток была также идентифицирована с помощью участка высокого измерения потока. Для быстрой и количественной оценки со-ассоциаций между маркерами был использован жесткий алгоритм кластеризации K-средств для засовывания 5000 кластеров на двухмерных данных t-SNE.Затем было использовано среднее выражение всех маркеров всех кластеров для создания тепловой карты из этих кластеров, что позволило легко идентифицировать ассоциации, такие как совместное объединение Tim-3, PD-1, CD38 и 4-1BB. При попытке этой процедуры важно помнить о различных параметрах, таких как различные методы кластеризации, чтобы полностью изучить изучаемые данные.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Содействие Анализ иммунологических данных с визуальными Аналитические методы

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

Проточной цитометрии анализа иммунных клеток мышей В аорты

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

Одноклеточный анализ Сенная Bacillus Биопленки с помощью флуоресцентной микроскопии и проточной цитометрии

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

Экспертиза тимуса позитивной и негативной селекции с помощью проточной цитометрии

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

Простой и быстрый протокол к неферментативно Диссоциируют Свежие тканей человека для анализа разведку в лимфоцитах

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

Выделение лейкоцитов из мышиного тканей на матери и плода интерфейс

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

Характеристика человека Моноцит подмножеств по цельной крови Cytometry анализ потока

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

Подготовка цельного костного мозга для анализа массовой цитометрии нейтрофил-линейных клеток

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

Визуализация и количественная оценка высокомерных данных цитометрии с использованием Cytofast и upstream кластерных методов FlowSOM и 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

Изоляция мыши Почки-Резидент CD8 -Т-клетки для анализа цитометрии потока

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 ...