ExCYT : Une Interface graphique pour simplifier Analysis of High-Dimensional Data de cytométrie en flux
16 janvier 2019
ExCYT est une base MATLAB utilisateur Interface graphique (GUI) qui permet aux utilisateurs d’analyser leurs données de cytométrie de flux via couramment employé des techniques d’analyse de données grande dimension, y compris la réduction de dimensionnalité via t-SNE, une variété d’automatisés et manuels parcelles de nouveaux flux de grande dimension, heatmaps et méthodes de clustering.
Cette méthode peut aider à répondre à des questions clés dans le domaine biomédical, comme la compréhension du phénotype de sous-populations biologiquement pertinentes. Le principal avantage de cette technique est qu’elle permet à un individu sans expérience de programmation d’analyser ses données de cytométrie avec les dernières techniques de haute dimension. Pour commencer un pipeline d’analyse, sélectionnez d’abord le type de cytométrie et le nombre d’événements à échantillonner dans le fichier.
Ensuite, cliquez sur Gate Population, sélectionnez les populations cellulaires d’intérêt et entrez le pourcentage d’événements pour analyse en aval. Sélectionnez ensuite le nombre de canaux à utiliser pour l’analyse dans la boîte de liste. Pour l’intégration du voisin stochastique distribuée en T, ou l’analyse t-SNE, cliquez sur t-SNE pour commencer à calculer l’ensemble de données de dimensionnalité réduite.
Lorsque l’ensemble a été calculé, cliquez sur Enregistrer l’image TSNE et dans le menu popup t-SNE spécifique au marqueur, sélectionnez un marqueur d’intérêt spécifique. Une figure apparaîtra montrant une représentation de la carte thermique de l’intrigue t-SNE qui peut être enregistrée pour la génération de chiffres. Pour commencer l’analyse de clustering, sélectionnez une option dans la boîte de liste de méthode de clustering, et cliquez sur Cluster.
Pour trier les clusters par un marqueur d’intérêt, sélectionnez l’option correspondante appropriée dans le menu Sort popup, et cliquez sur Ascendant, Descente, pour mettre à jour la liste des clusters dans la boîte de liste clusters. Pour définir une valeur seuil minimale pour un cluster donné sur un certain canal, sélectionnez une option dans le menu popup Threshold et fixez un seuil approprié. Une fois le seuil défini, cliquez sur Ajouter au-dessus du seuil, ou Ajouter en dessous du seuil, pour spécifier la direction du seuil, et entrez une coupure numérique dans la case Seuil de fréquence de cluster, dans le panneau filtre cluster, pour définir un seuil minimal pour la fréquence d’un cluster.
Pour sélectionner des clusters pour une analyse plus approfondie de l’individualisation, sélectionnez les clusters d’intérêt, dans la boîte de liste clusters. Et utilisez le bouton Sélectionnez, pour déplacer les options vers la boîte de liste Cluster Analyze. Pour créer des cartes thermiques des clusters, sélectionnez les clusters d’intérêt dans la boîte de liste Cluster Analyze et cliquez sur le bouton HeatMap of Clusters.
Pour créer une parcelle de boîte haute dimensionnelle, ou une parcelle de flux de haute dimension, sélectionnez les clusters d’intérêt dans la boîte de liste Cluster Analyze, et cliquez soit sur High-Dimensional Box Plot, ou High-Dimensional Flow Plot, pour évaluer visuellement la distribution de canaux donnés de différents clusters dans toutes les dimensions. Pour afficher les clusters dans les parcelles de flux 2D traditionnelles, sélectionnez la transformation et le canal appropriés dans le panneau Conventional Flow Plot, et cliquez sur Conventional Flow Plot. Ici, une analyse représentative t-SNE des cartes thermiques pour divers marqueurs dans un pipeline d’analyse de panneau myéloïde, sont montrés.
En utilisant la mise en œuvre rapide et gourmande au sein d’ExCYT pour regrouper les données avec 100 000 des voisins les plus proches, 19 sous-populations de cellules ont été révélées. La comparaison des cartes thermiques originales avec les grappes créées par ExCYT a permis d’identifier des grappes similaires des cellules myéloïdes entre les deux groupes de données. L’analyse du panneau lymphoïde avec une approche hiérarchique plus conventionnelle et plus rapide de regroupement, a donné des distributions semblables de marqueur par l’intermédiaire des cartes thermiques de t-SNE.
En outre, le regroupement des données par clustering hiérarchique a démontré des grappes similaires de cellules lymphoïdes. Notamment, une population unique de cellules T réglementaires a également été identifiée par l’intermédiaire d’une parcelle de débit de haute dimension. Pour évaluer rapidement et quantitativement les co-associations entre les marqueurs, un algorithme de clustering k-means dur a d’abord été utilisé pour poser 5000 clusters sur les données bidimensionnelles t-SNE.
L’expression médiane de tous les marqueurs de tous les clusters a ensuite été utilisée, pour créer une carte thermique à partir de ces clusters, permettant d’identifier facilement les co-associations, telles que la co-association de Tim-3, PD-1, CD38 et 4-1BB. Tout en essayant cette procédure, il est important de se rappeler d’explorer les différents paramètres, tels que les différentes méthodes de clustering, pour explorer pleinement les données que vous étudiez.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
ExCYT est une interface graphique basée sur MATLAB conçue pour analyser des données de cytométrie en flux à l'aide de techniques analytiques avancées. Elle permet aux utilisateurs sans expérience en programmation d'effectuer une réduction de la dimensionnalité, un regroupement en clusters et une visualisation de données hautement dimensionnelles.
Composants clés de l'étude
Domaine scientifique
- Cytométrie en flux
- Analyse de données
- Recherche biomédicale
Contexte général
- La cytométrie en flux est essentielle pour analyser les populations cellulaires.
- L’analyse de données hautement dimensionnelles est indispensable pour comprendre les systèmes biologiques complexes.
- ExCYT simplifie le processus d’analyse pour les non-programmeurs.
- Les techniques de réduction de dimensionnalité comme t-SNE sont cruciales pour la visualisation des données.
Objectif de l'étude
- Offrir une interface conviviale pour l'analyse des données de cytométrie en flux.
- Faciliter la compréhension des sous-populations biologiquement pertinentes.
- Permettre aux chercheurs d'utiliser des techniques analytiques avancées sans compétences en programmation.
Méthodes utilisées
- Sélection du type de cytométrie et de l'échantillonnage des événements.
- Délimitation des populations cellulaires pour l'analyse.
- Utilisation de la t-SNE pour la réduction de dimensionnalité.
- Création de cartes thermiques et de graphiques de flux en haute dimension.
Résultats principaux
- ExCYT permet une analyse efficace des données complexes de cytométrie en flux.
- Les utilisateurs peuvent visualiser et interpréter facilement des ensembles de données en haute dimension.
- L'interface graphique prend en charge des méthodes de regroupement à la fois automatisées et manuelles.
- Facilite l'identification des populations cellulaires pertinentes.
Conclusions
- ExCYT est un outil puissant pour les chercheurs dans le domaine biomédical.
- Il démocratise l'accès aux techniques avancées d'analyse de données.
- Le logiciel améliore la compréhension des phénotypes cellulaires.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
ExCYT répond au défi croissant que représente l'analyse des données cytométriques hautement dimensionnelles en découverte de médicaments, en offrant une interface sans code pour des techniques analytiques avancées. Cela permet un accès élargi aux flux de travail de criblage phénotypique et de validation de cibles, réduit la dépendance aux spécialistes en bioinformatique et accélère les décisions en phase précoce de découverte. L'outil soutient la détection mécanistique des risques en facilitant l'identification objective de sous-populations biologiquement pertinentes à partir de jeux de données complexes.
Applications stratégiques en recherche et développement biopharmaceutique
Début de la découverte et validation de la cible
- Valeur scientifique : Permet l'interrogation d'hypothèses thérapeutiques grâce à une exploration phénotypique sans parti pris de l'hétérogénéité cellulaire.
- Valeur opérationnelle : Facilite la validation fonctionnelle des cibles en identifiant et en caractérisant les populations cellulaires sensibles aux médicaments, sans biais lié au tri manuel.
- Valeur prédictive : Renforce la confiance dans le choix des cibles en révélant les profils de co-expression des points de contrôle immunitaires et des marqueurs d'activation.
Développement de criblages et de tests
- Valeur scientifique : Prépare des systèmes biologiques validés pour des criblages ultérieurs en définissant des groupes phénotypiquement distincts à l’aide de t-SNE et du regroupement en classes.
- Valeur opérationnelle : Améliore la standardisation des tests grâce à une réduction reproductible de la dimensionnalité et à l’identification de groupes communs à des fichiers FCS compensés et non compensés.
- Extensibilité : Permet la réutilisation de la plateforme sur divers panels en immunologie et en oncologie grâce à une sélection souple des canaux et à un filtrage basé sur des seuils.
Recherche translationnelle et préclinique
- Continuité translationnelle : Permet l'analyse de systèmes pertinents pour les maladies en reliant les co-associations de marqueurs (par exemple, Tim-3, PD-1, CD38, 4-1BB) à des phénotypes fonctionnels.
- Démining de risques mécanistiques : Facilite la validation préclinique en visualisant des graphiques de cytométrie en haute dimension qui révèlent des populations rares telles que les lymphocytes T régulateurs.
- Avancement ajusté au risque : Permet des décisions fondées sur les données (aller ou ne pas aller) grâce à des seuils quantitatifs de fréquence d'agrégats et à des fonctionnalités de tri.
Intégration du pipeline et du flux de travail
ExCYT s'inscrit dans le continuum de découverte allant de la vérification précoce d'hypothèses à l'identification de candidats, en transformant les données brutes de cytométrie en informations phénotypiques exploitables qui orientent le choix des cibles et la préparation du criblage de composés.
- Biologie de la découverte : Facilite la vérification d'hypothèses et la clarification des voies biologiques en permettant un regroupement objectif des immunophénotypes à partir de panels hautement dimensionnels.
- Triage : Assure la préparation des tests grâce à une visualisation reproductible par t-SNE et à l'isolement de groupes pour une validation fonctionnelle ultérieure.
- Analyse : Fournit des résultats quantitatifs incluant des cartes thermiques, des seuils de fréquence des groupes et des graphiques de cytométrie en flux hautement dimensionnels pour la comparaison entre différentes conditions.
- Recherche translationnelle : Relie la découverte à la recherche préclinique en identifiant des profils de co-expression de biomarqueurs pertinentes sur le plan translationnel.
- Réutilisation organisationnelle : Fonctionne comme une plateforme analytique réutilisable dans divers projets grâce à sa compatibilité avec différents types de cytométrie et des flux de travail supervisés ou non supervisés.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive dans la validation des cibles en réduisant l'ambiguïté mécanistique grâce à un regroupement sans biais.
- Valeur opérationnelle : Améliore la standardisation et l'évolutivité par l'automatisation, pilotée par une interface graphique, des flux de travail de t-SNE, de regroupement et de sélection.
- Valeur stratégique : Renforce l'efficacité du capital en permettant à un plus grand nombre de membres de l'équipe d'accéder à des analyses avancées, réduisant ainsi les goulots d'étranglement dans l'interprétation des données.
- Impact sur le portefeuille : Soutient la priorisation ajustée au risque en fournissant des métriques quantitatives de regroupement qui éclairent les décisions d'avancement.
Considérations relatives à la mise en œuvre
- Nécessite une bonne connaissance de la conception expérimentale en cytométrie et du choix des panneaux de marqueurs.
- Requiert l'environnement d'exécution MATLAB et un accès à l'infrastructure de données des fichiers FCS.
- Profite d'une standardisation inter-équipes des stratégies de gating et des paramètres de regroupement pour des résultats reproductibles.
- Les ajustements à prévoir incluent la perplexité t-SNE et les seuils de regroupement, en fonction de la complexité du système biologique.
- Limite pratique : les performances peuvent varier avec des jeux de données extrêmement volumineux (>1 million d'événements) en l'absence d'échantillonnage en aval.
