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

Författarna har inga bekräftelser.

1. insamling och förbereda flödescytometri Data
<ol><li>Placera alla enstaka fläckar i en mapp av sig själva och etikett av kanalnamnet (av fluorophore, inte markör).</li>
</ol>2. data import & förbehandling
<ol><li>För att pausa eller spara hela denna analys rörledning, Använd knappen Spara arbetsyta längst ner till vänster i programmet för att spara arbetsytan som en '. MATTA ' fil som senare kan läsas via knappen Load arbetsyta . Kör inte mer ...

<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>

Här presenterar vi ExCYT, ett nytt grafiskt användargränssnitt köra MATLAB-baserade algoritmer för att effektivisera analys av högdimensionella flödescytometri data, så att människor utan bakgrund i programmering för att genomföra senast i högdimensionella data algoritmer för analys. Tillgången till denna programvara till bredare vetenskapliga gemenskapen tillåter forskare att utforska deras flöde flödescytometri data i ett intuitivt och enkelt arbetsflöde. Genom genomför t-SNE dimensionalitet minsknin...

Framsteg inom flödescytometri samt tillkomsten av massa flödescytometri har tillåtit kliniker och forskare för att snabbt identifiera och karaktärisera fenotypiskt biologiskt och kliniskt intressant prov med nya nivåer av upplösning, skapa stora högdimensionella datauppsättningar som är information rik1,2,3. Medan konventionella metoder för att analysera flödesdata flödescytometri såsom manuell gating har varit mer rättframt för experiment där det finns några markörer och dessa markörer har visuellt urskiljbara populationer, kan detta tillvägagångssätt misslyckas att generera reproducerbara resultat när man analyserar högre-dimensionell datauppsättningar eller de med markörer färgning på ett spektrum. Till exempel i en flera institutionella studie, som där inom cellulär färgning (ICS) analyser utfördes för att bedöma reproducerbarheten för quantitating antigen-specifika T-cell svar, trots god genomför mellan olika laboratorier precision, analys, särskilt gating, infört en betydande källa till variabilitet4. Dessutom är manuellt gating befolkningen av intressen, förutom att vara högst subjektiva mycket tidskrävande och labor intensiv. Problemet med analysera högdimensionella datauppsättningar i ett robust, effektiv och snabb sätt är dock inte en ny till forskning vetenskaperna. Gen uttryck studier genererar ofta extremt högdimensionella datauppsättningar (ofta på order av hundratals gener) där manuell former av analys är helt enkelt omöjligt. För att ta itu med analysen av dessa datamängder, har det varit mycket arbete med att utveckla bioinformatiska verktyg att parsa gen uttryck data5. Dessa algoritmiska metoder har bara nyligen antagits i analysen av flödescytometri data som antalet parametrar har ökat och har visat sig vara ovärderlig i analysen av dessa höga tredimensionella datauppsättningar6,7.
Trots den generation och tillämpning av olika algoritmer och programpaket som gör forskare att tillämpa dessa högdimensionella bioinformatiska metoder på deras flödesdata flödescytometri, fortfarande dessa analytiska tekniker till stor del outnyttjade. Det kan finnas en mängd faktorer som har begränsat den utbredda användningen av dessa metoder för flödescytometri data8, den stora hinder som vi misstänker i använda dessa metoder av forskare, saknar computational knowledge. I själva verket, skrivs många av dessa programvarupaket (dvs. flowCore, flowMeans och OpenCyto) ska genomföras i programmeringsspråk som R som fortfarande kräver materiella programmeringskunskaper. Programvarupaket som FlowJo har funnit nåd bland forskare på grund av enkelheten i användningen och 'plug-n-play' natur, samt kompatibilitet med PC operativsystem. För att ge olika accepterade och värdefulla analytiska tekniker till den vetenskapsman obekanta programmeringen, har vi utvecklat ExCYT, en grafiskt-användargränssnitt (GUI) som enkelt kan installeras på en dator som drar många av de senaste teknikerna inklusive dimensionalitet minskning för intuitiv visualisering, en mängd klustring metoder som nämns i litteraturen, tillsammans med nya funktioner att utforska produktionen av dessa kluster algoritmer med heatmaps och roman högdimensionella flöde/lådagram.
ExCYT är ett grafiskt användargränssnitt byggt i MATLAB och därför kan antingen köras inom MATLAB direkt eller ett installationsprogram tillhandahålls som kan användas för att installera programvara på varje dator. Programvaran finns på https://github.com/sidhomj/ExCYT. Vi presenterar ett detaljerat protokoll för hur du importerar data, förbehandla det, genomföra t-SNE dimensionalitet minskning, klusterdata, sortera och filtrera kluster baserat på användarinställningar och Visa information om kluster av intresse via heatmaps och roman högdimensionella flöde/lådagram ()figur 1). Yxor i t-SNE tomter är godtyckliga och i godtyckliga enheter och som sådan som inte alltid visas i siffrorna för enkelhet för användaren gränssnitt. Färgen av datapunkterna i den ”t-SNE Heatmaps” är från blått till gult baserat på signalen för den angivna markören. I klustring lösningar, utifrån färgen på datapunkten godtyckliga kluster nummer. Alla delar av arbetsflödet kan utföras i den enda panelen GUI ()figur 2 & tabell 1). Slutligen kommer vi att visa användning av ExCYT på tidigare publicerade uppgifter att utforska immun landskapet av njurcellscancer i litteraturen, också analyseras med liknande metoder. Prov datamängden vi används för att skapa siffror i detta manuskript tillsammans med protokollet nedan kan hittas på https://premium.cytobank.org/cytobank/projects/875, på att registrera ett konto.

<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

Med tillkomsten av flöde cytometers kan mäta ett ökande antal parametrar, fortsätta forskare att utveckla större paneler fenotypiskt utforska egenskaperna hos deras cellulära prover. Men, ge dessa tekniska framsteg högdimensionella datauppsättningar som har blivit allt svårare att analysera objektivt inom traditionell manuell-baserade Usenets program. För att bättre analysera och presentera data, samarbetar forskare med bioinformatiker med expertis inom analys av högdimensionella data för att tolka deras flödesdata flödescytometri. Medan dessa metoder har visat sig vara mycket värdefulla i att studera flödescytometri, har de ännu inte införlivas i en enkel och lätt-till-använda paketet för forskare som saknar computational eller programmering expertis. För att bemöta detta behov, har vi utvecklat ExCYT, en MATLAB-baserat grafiskt användargränssnitt (GUI) som effektiviserar analys av högdimensionella flödesdata flödescytometri av genomförandet vanligen anställd analysmetoder för högdimensionella data inklusive dimensionalitet minskning av t-SNE, en mängd automatiserade och manuella klustring metoder, heatmaps och romanen högdimensionella flöde tomter. Dessutom ger ExCYT traditionella Usenets alternativ av Välj populationer av intresse för ytterligare t-SNE och klustring analys samt förmåga att tillämpa grindar direkt på t-SNE tomter. Programvaran ger den ytterligare fördelen att arbeta med antingen kompenseras eller okompenserad FCS filer. I händelse av att efter förvärvet ersättning krävs, kan användaren välja att ge programmet en katalog av enstaka fläckar och en ofärgade provet. Programmet upptäcker positiva händelser i alla kanaler och använder detta Välj data att mer objektivt beräkna matrisen ersättning. Sammanfattningsvis ger ExCYT en omfattande analys rörledning för att ta flödescytometri flödesdata i form av FCS filer och låta varje enskild person, oavsett computational utbildning, att använda de senaste algoritmiska metoderna för att förstå deras data.

För att testa användbarheten av ExCYT, analyserade vi en kurator datauppsättning utgiven av Chevrier et al. med titeln 'An immun Atlas för klart Cell njurcancer' där gruppen genomfört CyTOF analys med en omfattande immun panel på tumörprover från 73 patienter11. Två separata paneler, en myeloiska och lymfoida panel, användes till fenotypiskt karakterisera den tumör mikromiljö. Syftet med vår studie var att sammanfatta resultaten av deras t-SN...

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 är en MATLAB-baserat grafiskt användargränssnitt (GUI) som tillåter användare att analysera deras flöde flödescytometri data via vanligen anställd analystekniker för högdimensionella data inklusive dimensionalitet minskning via t-SNE, en mängd automatiserade och manuella klustring metoder, heatmaps och romanen högdimensionella flöde tomter.

ExCYT: Ett grafiskt användargränssnitt för att effektivisera analys av högdimensionella flödescytometri Data

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

Denna metod kan hjälpa till att besvara viktiga frågor inom det biomedicinska området, såsom att förstå fenotypen av biologiskt relevanta subpopulationer. Den största fördelen med denna teknik är att det gör att en individ utan programmering erfarenhet att analysera sina cytometri data med det senaste inom högdimensionella tekniker. Om du vill börja en analyspipeline väljer du först vilken typ av cytometri, och antalet händelser som ska tas prov från filen.Därefter klickar du på Portpopulation, markerar cellpopulationerna av intresse och anger procentandelen händelser för nedströmsanalys. Välj sedan det antal kanaler som ska användas för analysen i listrutan. För T-distribuerad Stochastic Neighbor Embedding, eller t-SNE-analys, klicka på t-SNE för att börja beräkna den reducerade dimensionalitetsdatauppsättningen.När uppsättningen har beräknats, klicka på Spara TSNE-bild och i menyn Marker-Specifika t-SNE popup väljer du en specifik markör av intresse. En siffra kommer att visas som visar en värme karta representation av t-SNE tomt som kan sparas för figur generation. Börja med klusteranalys genom att välja ett alternativ i listrutan Klustermetod och klicka på Kluster.Om du vill sortera klustren efter en markör av intresse väljer du lämpligt motsvarande alternativ på menyn Sortera popup och klickar på Stigande, Fallande, för att uppdatera listan med kluster i listrutan Kluster. Om du vill ange ett minimalt tröskelvärde för ett givet kluster över en viss kanal väljer du ett alternativ på Threshold popup-menyn och anger ett lämpligt tröskelvärde. När tröskelvärdet har angetts klickar du på Lägg till över tröskelvärde, eller Lägg till under tröskelvärde, för att ange tröskelns riktning och ange en numerisk cut-off i rutan Tröskelvärde för klusterfrekvens, på panelen Klusterfilter, för att ange ett minimalt tröskelvärde för frekvensen för ett kluster.Om du vill välja kluster för ytterligare analys individualisering, välj kluster av intresse, i rutan Kluster lista. Och använd knappen Välj, för att flytta alternativen till listan kluster Analysera rutan. Om du vill skapa värmekartor över klustren markerar du de kluster som är av intresse i listrutan Kluster Analysera och klickar på knappen HeatMap of Clusters.Om du vill skapa en högdimensionell ruta plot, eller en högdimensionell flödesrit, välj de kluster av intresse i listan kluster Analysera lista låda, och klicka på antingen Högdimensionell ruta Plot, eller Högdimensionell Flow Plot, för att visuellt bedöma fördelningen av givna kanaler av olika kluster över alla dimensioner. Om du vill visa kluster i traditionella 2D-flödesritningar markerar du lämplig omvandling och kanal på panelen Konventionellt flödesytr. Här visas en representativ t-SNE-analys av värmekartor för olika markörer inom en myeloisk panelanalyspipeline.Med hjälp av den snabba giriga implementeringen inom ExCYT för att samla data med 100, 000 av de närmaste grannarna, avslöjades 19 underpopulationer av celler. Jämförelse av de ursprungliga värmekartorna till de kluster som skapats av ExCYT gjorde att liknande kluster av myeloida celler kunde identifieras mellan de två datagrupperna. Analys av lymfoida panelen med en mer konventionell och snabbare hierarkisk klustring tillvägagångssätt, gav liknande markör distributioner via t-SNE värme kartor.Vidare visade klustring av data via hierarkisk klustring liknande kluster av lymfoida celler. Noterbart är att en unik regulatorisk T-cellpopulation också identifierades via en högdimensionell flödestomt. För att snabbt och kvantitativt bedöma samassociationer bland markörer användes först en hård K-medels klusteralgoritm för att lägga ner 5000 kluster på de tvådimensionella t-SNE-data.Medianuttryck för alla markörer från alla kluster användes sedan, för att skapa en värme karta från dessa kluster, vilket gör att samassociationer lätt kan identifieras, såsom samassociation av Tim-3, PD-1, CD38 och 4-1BB. Medan du försöker den här proceduren är det viktigt att komma ihåg att utforska de olika parametrarna, till exempel olika klustringsmetoder, för att utforska de data du studerar fullt ut.

Research

JoVE Journal

Immunology and Infection

Facilitating the Analysis of Immunological Data with Visual Analytic Techniques

Underlättar analysen av immunologiska data med Visual analytiska tekniker

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

Flödescytometrisk analys av immunceller Inom Murine artärer

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

Encelliga Analys av Bacillus subtilis Biofilmer Använda fluorescensmikroskopi och flödescytometri

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

Undersökning av thymus Positiv och negativ selektion genom flödescytometri

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

En enkel och snabb protokoll till icke enzymatiskt dissociera Färska mänskliga vävnader för analys av lymfocyter

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

Isolering av leukocyter från Murina vävnader på Maternal-Fetal Interface

Immune tolerance in pregnancy requires that the immune system of the mother undergoes distinctive changes in order to accept and nurture the developing ...

Characterization of Human Monocyte Subsets by Whole Blood Flow Cytometry Analysis

Karakterisering av mänskliga monocyt delmängder av helblod Flow flödescytometri analys

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

Beredning av hela benmärgen för Masscytometri analys av neutrofila-Lineage celler

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

Visualisering och kvantifiering av högdimensionella Cytometridata med hjälp av Cytofast och uppströms klustring metoder FlowSOM och 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

Isolering av Mus Njure-Resident CD8+ T-celler för Flow cytometri Analys

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 ...