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

Los autores no tienen ninguna agradecimientos.

1. recolección y preparación de datos de citometría de
<ol><li>Colocar todas las manchas solo en una carpeta propia y sello por el nombre del canal (fluoróforo, no de marcador).</li>
</ol>2. los datos importación y pre-procesamiento
<ol><li>Para pausar o guardar a lo largo de esta tubería de análisis, utilice el botón Guardar espacio de trabajo en la parte inferior izquierda del programa para guardar el espacio de trabajo como un '. ESTERA ' archivo que puede ser carga...

<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>

Aquí os presentamos ExCYT, una interfaz de usuario gráfica novela ejecutando algoritmos basados en MATLAB para simplificar el análisis de datos de citometría de alta dimensión, permitiendo que a las personas con ninguna experiencia en programación para implementar lo último en datos multidimensional algoritmos de análisis. La disponibilidad de este software a la comunidad científica permitirá a los científicos a explorar sus datos de citometría de flujo en un flujo de trabajo intuitivo y sencillo. A través d...

Avances en citometría de flujo, así como el advenimiento de la citometría de masas ha permitido a los médicos y científicos para rápidamente identificar y caracterizar fenotípicamente las muestras biológica y clínicamente interesantes con nuevos niveles de resolución, creando grandes conjuntos de datos multidimensional que son información rica1,2,3. Mientras que los métodos convencionales para el análisis de datos de citometría de flujo como compuerta manual han sido más sencillos para los experimentos donde hay pocos marcadores y los marcadores tienen poblaciones visualmente discernibles, este enfoque puede no generar resultados reproducibles cuando se analizan conjuntos de datos de mayor dimensión o aquellos con marcadores de tinción en un espectro. Por ejemplo, en un estudio multi-institucional, donde intracelular tinción (ICS) ensayos se realizaron para evaluar la reproducibilidad de la cuantificación de las respuestas de células de T específicas de antígeno, a pesar de buena precisión entre laboratorios, análisis, particularmente sincronización, introdujo una importante fuente de variabilidad4. Además, el proceso de bloquear manualmente la población de interés, además de ser muy subjetivo es muy desperdiciador de tiempo y mano de obra intensiva. Sin embargo, el problema de analizar conjuntos de datos multidimensional de una manera robusta, eficiente y oportuna no es uno nuevo para la investigación en Ciencias. Estudios de expresión génica generan a menudo extremadamente multidimensional modems (a menudo del orden de cientos de genes) en formas manual de análisis sería simplemente imposible. Para abordar el análisis de estos datos, ha habido mucho trabajo en el desarrollo de herramientas bioinformáticas para analizar datos de expresión génica5. Estos enfoques algorítmicos se sólo han recientemente adoptados en el análisis de datos de citometría como el número de parámetros ha aumentado y ha demostrado para ser invaluables en el análisis de estos conjuntos de datos dimensional alta6,7.
A pesar de la generación y aplicación de una variedad de algoritmos y paquetes de software que permiten a los científicos a aplicar estos enfoques bioinformáticas multidimensional a los datos de la citometría de flujo, estas técnicas analíticas siguen siendo en gran parte inusitadas. Aunque puede haber una variedad de factores que han limitado la adopción generalizada de estos enfoques para citometría datos8, el obstáculo principal que sospechamos en el uso de estos enfoques por los científicos, es una falta de conocimiento computacional. De hecho, muchos de estos paquetes de software (es decir, flowCore, flowMeans y OpenCyto) están escritos en lenguajes como R que todavía requieren conocimientos de programación sustantiva de programación. Paquetes de software como FlowJo han encontrado favor entre los científicos por la sencillez de uso y naturaleza 'plug-n-play', así como compatibilidad con el sistema operativo de PC. Para proporcionar la variedad de técnicas analíticas aceptadas y valiosas para la programación desconocido científico, hemos desarrollado ExCYT, una interfaz gráfica de usuario (GUI) que puede ser fácilmente instalada en un PC/Mac que tira muchas de las técnicas más recientes incluyendo reducción de dimensionalidad para visualización intuitiva, una variedad de métodos de agrupamiento citado en la literatura, junto con características nuevas para explorar la producción de estos clústeres de algoritmos con diagramas de flujo/caja multidimensional heatmaps y novela.
ExCYT es una interfaz gráfica de usuario en MATLAB y por lo tanto puede tanto ejecutar dentro de MATLAB directamente o un instalador siempre puede utilizarse para instalar el software en cualquier PC/Mac. El software está disponible en https://github.com/sidhomj/ExCYT. Presentamos un protocolo detallado de cómo importar datos, pre-procesarlo, realizar reducción de dimensionalidad t-SNE, cluster de datos, tipo y filtro clusters basados en las preferencias del usuario y muestra información sobre los grupos de interés vía heatmaps y novela cuadro de flujo de alta dimensión parcelas ()figura 1). Los ejes en parcelas t-SNE son arbitrarias y en unidades arbitrarias y así como no siempre se muestra en las figuras para simplicidad del usuario interfaz. El color de los puntos de datos en el "t-SNE Heatmaps" es de azul a amarillo basado en la señal del marcador indicado. En soluciones de clustering, el color del punto de datos se basa arbitraria en número de clúster. Todas las partes del flujo de trabajo pueden llevarse a cabo en el panel solo GUI ()figura 2 y 1 mesa). Finalmente, demostraremos el uso de ExCYT en datos previamente publicados, explorando el paisaje inmune de carcinoma de células renales en la literatura, que también se analizaron con métodos similares. El conjunto de datos de muestra que se utilizó para crear las figuras en este manuscrito con el siguiente protocolo puede encontrarse en https://premium.cytobank.org/cytobank/projects/875, al registrar una cuenta.

<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

Con el advenimiento de los citómetros de flujo capaz de medir un número cada vez mayor de parámetros, los científicos siguen a desarrollar paneles más grandes para explorar fenotípicamente las características de sus muestras celulares. Sin embargo, estos avances tecnológicos rendimiento multidimensional modems que se han vuelto cada vez más difíciles de analizar objetivamente dentro bloquea los programas tradicionales basados en el manual. Para mejor analizar y presentar datos, los científicos asocian bioinformáticos con experiencia en análisis de datos multidimensional para analizar los datos de la citometría de flujo. Mientras que estos métodos han demostrado ser muy valiosa en el estudio de citometría de flujo, tienen todavía que ser incorporado en un paquete sencillo y fácil de usar para los científicos que carecen de conocimientos de programación o computacional. Para abordar esta necesidad, hemos desarrollado ExCYT, una basada en MATLAB usuario interfaz gráfica (GUI) que optimiza el análisis de datos de citometría de flujo multidimensional mediante la aplicación de técnicas analíticas comúnmente empleadas para la inclusión de datos multidimensional reducción de la dimensionalidad por t-SNE, una variedad de métodos de agrupamiento automatizados y manuales, heatmaps y novela flujo multidimensional parcelas. Además, ExCYT ofrece tradicionales bloquea opciones de seleccionadas poblaciones de interés para más t-SNE y clustering análisis así como la capacidad de aplicar puertas directamente en parcelas t-SNE. El software proporciona la ventaja adicional de trabajar con ya sea compensado o archivos FCS no compensados. En caso de que después de la adquisición indemnización se requiere, el usuario puede elegir proporcionar el programa de un directorio de manchas únicos y una muestra sin manchas. El programa detecta eventos positivos en todos los canales y utiliza estos datos seleccionarlos objetivamente más calcular la matriz de compensación. En Resumen, ExCYT ofrece una tubería de análisis completo para tomar datos de citometría de flujo en forma de archivos de FCS y permitir que a cualquier persona, independientemente de la capacitación computacional, con los últimos enfoques algorítmicos en la comprensión de sus datos.

Para probar la usabilidad de los ExCYT, hemos analizado un conjunto de datos curado publicado por Chevrier et al. , titulado 'Un inmune Atlas de clara célula Carcinoma Renal' donde el grupo llevó a cabo análisis CyTOF con un amplio panel inmune en muestras tumorales de 73 pacientes11. Dos paneles separados, un panel mieloide y linfoide, se utilizaron para caracterizar fenotípicamente el microambiente tumoral. El objetivo de nuestro estudio fue recapitu...

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 es una basada en MATLAB usuario interfaz gráfica (GUI) que permite a los usuarios analizar sus datos de citometría de flujo mediante comúnmente empleado técnicas de análisis de datos multidimensional, incluyendo la reducción de la dimensionalidad mediante t-SNE, una variedad de automatizados y manuales métodos de clustering, heatmaps, novela flujo multidimensional parcelas.

ExCYT: Una interfaz gráfica de usuario para simplificar el análisis de datos multidimensional de citometría de

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

Este método puede ayudar a responder preguntas clave en el campo biomédico, como la comprensión del fenotipo de subpoblaciones biológicamente relevantes. La principal ventaja de esta técnica es que permite a un individuo sin experiencia en programación analizar sus datos de citometría con lo último en técnicas de alta dimensión. Para comenzar una canalización de análisis, seleccione primero el tipo de citometría y el número de eventos que se muestrean del archivo.A continuación, haga clic en Población de puerta, seleccione las poblaciones de celdas de interés e introduzca el porcentaje de eventos para el análisis posterior. A continuación, seleccione el número de canales que se utilizarán para el análisis en el cuadro de lista. Para la incrustación de vecinos estocásticos distribuido en T o el análisis t-SNE, haga clic en t-SNE para comenzar a calcular el conjunto de datos de dimensionalidad reducida.Cuando se haya calculado el conjunto, haga clic en Guardar imagen TSNE y, en el menú emergente T-SNE específico del marcador, seleccione un marcador específico de interés. Aparecerá una figura que muestra una representación del mapa de calor de la gráfica t-SNE que se puede guardar para la generación de figuras. Para comenzar el análisis de agrupación en clústeres, seleccione una opción en el cuadro de lista Método de agrupación en clústeres y haga clic en Clúster.Para ordenar los clústeres por un marcador de interés, seleccione la opción correspondiente adecuada en el menú emergente Ordenar y haga clic en Ascendente, Descendente, para actualizar la lista de clústeres en el cuadro de lista Clústeres. Para establecer un valor de umbral mínimo para un clúster determinado a través de un canal determinado, seleccione una opción en el menú emergente Umbral y establezca un umbral adecuado. Una vez establecido el umbral, haga clic en Agregar umbral superior o Agregar por debajo del umbral para especificar la dirección del umbral e introduzca un límite numérico en el cuadro Umbral de frecuencia de clúster, en el panel Filtro de clúster, para establecer un umbral mínimo para la frecuencia de un clúster.Para seleccionar clústeres para una mayor individualización de análisis, seleccione los clústeres de interés en el cuadro de lista Clústeres. Y use el botón Seleccionar para mover las opciones al cuadro de lista Analizar clúster. Para crear mapas de calor de los clústeres, seleccione los clústeres de interés en el cuadro de lista Analizar clúster y haga clic en el botón HeatMap of Clusters.Para crear un trazado de cuadro de alta dimensión o un trazado de flujo de alta dimensión, seleccione los clústeres de interés en el cuadro de lista Analizar clúster y haga clic en Gráfica de cuadro de alta dimensión o Gráfica de flujo de alta dimensión para evaluar visualmente la distribución de determinados canales de varios clústeres en todas las dimensiones. Para mostrar clústeres en trazados de flujo 2D tradicionales, seleccione la transformación y el canal adecuados en el panel Gráfica de flujo convencional y haga clic en Gráfica de flujo convencional. Aquí, se muestra un análisis t-SNE representativo de mapas de calor para varios marcadores dentro de una tubería de análisis de paneles mieloides.Usando la rápida implementación codiciosa dentro de ExCYT para agrupar los datos con 100.000 de los vecinos más cercanos, se revelaron 19 subpúmeros de células. La comparación de los mapas de calor originales con los clústeres creados por ExCYT permitió identificar clústeres similares de las celdas mieloides entre los dos grupos de datos. El análisis del panel linfoide con un enfoque de agrupación jerárquica más convencional y más rápido, produjo distribuciones de marcadores similares a través de mapas de calor t-SNE.Además, la agrupación de los datos a través de agrupaciones jerárquicas demostró grupos similares de células linfoides. En particular, también se identificó una población de células T reguladoras única a través de una gráfica de flujo de alta dimensión. Para evaluar rápida y cuantitativamente las asociaciones entre marcadores, primero se utilizó un algoritmo de agrupación en clústeres de medios K duro para establecer 5000 clústeres en los datos t-SNE bidimensionales.La expresión mediana de todos los marcadores de todos los clústeres se utilizó entonces, para crear un mapa de calor a partir de estos clústeres, permitiendo que las asociaciones conjuntas se identificaran fácilmente, como la asociación conjunta de Tim-3, PD-1, CD38 y 4-1BB. Al intentar este procedimiento, es importante recordar explorar los diferentes parámetros, como diferentes métodos de agrupación en clústeres, para explorar completamente los datos que está estudiando.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Facilitar el análisis de los datos inmunológicos con Visual 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 ...

Investigación

Inmunología e Infección

Flow Cytometry Analysis of Immune Cells Within Murine Aortas

Análisis por citometría de flujo de células inmunes dentro de 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

Sola célula de análisis de Bacillus subtilis Las biopelículas mediante microscopía de fluorescencia y citometría de flujo

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

El examen de selección tímica positivo y negativo por citometría de flujo

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

Un protocolo simple y rápida para no enzimáticamente disociarse Tejidos Humanos frescas para el Análisis de los linfocitos infiltrantes

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

Aislamiento de leucocitos a partir de los tejidos murinos en la interfase 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

Caracterización de subconjuntos de monocitos humanos de sangre análisis de citometría de flujo

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

Preparación de la médula ósea entera para el análisis de citometría de masa de células de linaje neutrófilo

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

Visualización y cuantificación de datos de citometría de alta dimensión mediante citorápido y los métodos de agrupación en clústeres ascendentes FlowSOM y 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

Aislamiento de células CD8 + T residentes en el riñón delratón para el análisis de citometría de flujo

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 ...