ExCYT: Графический интерфейс пользователя для упорядочения анализ высокого мерных данных цитометрии
Summary
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.
Abstract
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.
Introduction
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.
Protocol
Representative Results
Discussion
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…
Declarações
The authors have nothing to disclose.
Acknowledgements
Авторы имеют без подтверждений.
Materials
| Desktop | SuperMicro | Custom Build | Computer used to run analysis |
| MATLAB | Mathworks | N/A | Software used to develop ExCYT |
Referências
- Benoist, C., Hacohen, N. Flow cytometry, amped up. Science. 332 (6030), 677-678 (2011).
- Ornatsky, O., et al. Highly multiparametric analysis by mass cytometry. Journal of immunological methods. 361 (1), 1-20 (2010).
- Tanner, S. D., et al. Flow cytometer with mass spectrometer detection for massively multiplexed single-cell biomarker assay. Pure and Applied Chemistry. 80 (12), 2627-2641 (2008).
- Maecker, H. T., et al. Standardization of cytokine flow cytometry assays. BMC immunology. 6 (1), 13 (2005).
- Brazma, A., Vilo, J. Gene expression data analysis. FEBS letters. 480 (1), 17-24 (2000).
- Pyne, S., et al. Automated high-dimensional flow cytometric data analysis. Proceedings of the National Academy of Sciences. 106 (21), 8519-8524 (2009).
- Ge, Y., Sealfon, S. C. flowPeaks: a fast unsupervised clustering for flow cytometry data via K-means and density peak finding. Bioinformatics. 28 (15), 2052-2058 (2012).
- Venkatesh, V. Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Information systems research. 11 (4), 342-365 (2000).
- Bagwell, C. B., Adams, E. G. Fluorescence spectral overlap compensation for any number of flow cytometry parameters. Annals of the New York Academy of Sciences. 677 (1), 167-184 (1993).
- Lavin, Y., et al. Innate immune landscape in early lung adenocarcinoma by paired single-cell analyses. Cell. 169 (4), 750-765 (2017).
- Chevrier, S., et al. An immune atlas of clear cell renal cell carcinoma. Cell. 169 (4), 736-749 (2017).
- Hartigan, J. A., Wong, M. A. Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics). 28 (1), 100-108 (1979).
- Ester, M., Kriegel, H. P., Sander, J., Xu, X. Density-based spatial clustering of applications with noise. International Conference Knowledge Discovery and Data Mining. 240, (1996).
- Levine, J. H., et al. Data-driven phenotypic dissection of AML reveals progenitor-like cells that correlate with prognosis. Cell. 162 (1), 184-197 (2015).
- Blondel, V. D., Guillaume, J. L., Lambiotte, R., Lefebvre, E. Fast unfolding of communities in large networks. Journal of statistical mechanics: theory and experiment. 2008 (10), P10008 (2008).
- Le Martelot, E., Hankin, C. Fast multi-scale detection of relevant communities in large-scale networks. The Computer Journal. 56 (9), 1136-1150 (2013).
- Newman, M. E. Fast algorithm for detecting community structure in networks. Physical review E. 69 (6), 066133 (2004).
- Hespanha, J. P. . An efficient matlab algorithm for graph partitioning. , 1-8 (2004).
- Moon, T. K. The expectation-maximization algorithm. IEEE Signal processing. 13 (6), 47-60 (1996).
- Bishop, C. M. . Pattern recognition and machine learning. , (2006).
