A Beginner's Guide to Analyzing and Visualizing Mass Cytometry Data.
A Beginner's Guide to Analyzing and Visualizing Mass Cytometry Data.
复制标题
DOI：
10.4049/jimmunol.1701494
复制
发表时间：
2018-01-01
期刊：
影响因子：
--
通讯作者：
Clambey ET
中科院分区：
文献类型：
--
作者：
Kimball AK;Oko LM;Bullock BL;Nemenoff RA;van Dyk LF;Clambey ET
质谱流式细胞术彻底改变了细胞和表型多样性的研究，显着扩大了可以在单细胞水平上测量的表型和功能特征的数量。这种高维分析平台需要开发新的数据分析方法。这些算法中的许多算法绕过了流式细胞仪分析中使用的传统方法，从根本上改变了分析和解释这些数据的方式。然而，对于初学者来说，已经开发出的大量算法，以及对分析这些数据的最佳实践缺乏共识，提出了多个问题：哪种算法最适合分析数据集？不同的算法如何比较？如何超越数据可视化来获得新的生物学见解？在这里，我们描述了我们的经验，最近采用的大规模细胞计数。通过使用五种CyTOF分析平台（viSNE，SPADE，X-shift，PhenoGraph和Citrus）分析单个数据集，我们确定了：i）用户在使用这些不同方法时应该注意的重要考虑因素和挑战，以及ii）这些不同方法可以揭示的常见和独特见解。通过提供带注释的工作流程和图表，这些分析为研究人员分析高维数据集提供了实用指南。总的来说，这些分析强调了集成多种CyTOF分析算法的好处，以获得对这些高维数据集的互补见解。
Mass cytometry has revolutionized the study of cellular and phenotypic diversity, significantly expanding the number of phenotypic and functional characteristics that can be measured at the single-cell level. This high-dimensional analysis platform has necessitated the development of new data analysis approaches. Many of these algorithms circumvent traditional approaches used in flow cytometric analysis, fundamentally changing the way these data are analyzed and interpreted. For the beginner, however, the large number of algorithms that have been developed, and the lack of consensus on best practices for analyzing these data raise multiple questions: Which algorithm is the best for analyzing a dataset? How do different algorithms compare? How can one move beyond data visualization to gain new biological insights? Here, we describe our experiences as recent adopters of mass cytometry. By analyzing a single dataset using five CyTOF analysis platforms (viSNE, SPADE, X-shift, PhenoGraph and Citrus), we identify: i) important considerations and challenges that users should be aware of when using these different methods, and ii) common and unique insights that can be revealed by these different methods. By providing annotated workflow and figures, these analyses present a practical guide for investigators analyzing high-dimensional datasets. In total, these analyses emphasize the benefits of integrating multiple CyTOF analysis algorithms to gain complementary insights into these high-dimensional datasets.
登录
查看更多内容
影响因子：
64.5
作者：
Levine JH;Simonds EF;Bendall SC;Davis KL;Amir el-AD;Tadmor MD;Litvin O;Fienberg HG;Jager A;Zunder ER;Finck R;Gedman AL;Radtke I;Downing JR;Pe'er D;Nolan GP
通讯作者：
Nolan GP
影响因子：
4.3
作者：
Chen H;Lau MC;Wong MT;Newell EW;Poidinger M;Chen J
通讯作者：
Chen J
影响因子：
17.1
作者：
Horowitz A;Strauss-Albee DM;Leipold M;Kubo J;Nemat-Gorgani N;Dogan OC;Dekker CL;Mackey S;Maecker H;Swan GE;Davis MM;Norman PJ;Guethlein LA;Desai M;Parham P;Blish CA
通讯作者：
Blish CA
影响因子：
14.8
作者：
Anchang, Benedict;Hart, Tom D. P.;Plevritis, Sylvia K.
通讯作者：
Plevritis, Sylvia K.
DOI：
10.1126/science.1198704
发表时间：
2011-05-06
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Bendall SC;Simonds EF;Qiu P;Amir el-AD;Krutzik PO;Finck R;Bruggner RV;Melamed R;Trejo A;Ornatsky OI;Balderas RS;Plevritis SK;Sachs K;Pe'er D;Tanner SD;Nolan GP
通讯作者：
Nolan GP