Why Use Machine Learning-assisted Analysis?
Sitometre alanında teknolojinin ilerlemesi ile birlikte, artık tek bir hücre düzeyinde birçok parametreyi aynı anda ölçebiliyoruz. Veri kümelerinin boyutu, ticari olarak mevcut olan çeşitli cihazlarla geleneksel 4-5 renkli düşük parametreden 10-20 veya daha fazla renge yükseltilmiştir. Deney başına örnek boyutu da olay sayısı ve toplanan örnek sayısı açısından giderek artmaktadır. Bu, veri yönetimi, iş birliği ve veri görselleştirme ile analizi için bir zorluk teşkil etmektedir. Veri karmaşıklığındaki bu artışı ele almak için boyut azaltma ve kümeleme için birçok makine öğrenimi algoritma aracı geliştirilmiştir.
Şekil 1. Akış Sitometresi Verilerinin Çift Eksenli Diyagramlarının ve Makine Öğrenim Analizinin Karşılaştırılması. 20 renkli panel sitometresi verilerinin N-N diyagram görünümü 190 diyagramla sunulur, panel A. Tek bir haritada 24 parametreli bilgileri görselleştiren aynı verilerin viSNE (veya t-SNE) harita görünümü, panel B.
Hiyerarşik Geçitlemede Öznellik
Hücrelerin alt grup popülasyonlarına geçitlerin yerleştirilmesine dayalı manuel veri analizinde, geçit yerleşimindeki öznelliğin akış sitometresi çalışmalarındaki değişkenliğe katkıda bulunan bir faktör olduğu yaygın olarak bilinmektedir1. Büyük çalışmalar için, bazı gruplar bunu merkezi manuel geçitleme ile ele almaya çalışmış ve çalışma ekiplerinde özel roller oluşturmuştur 2. Bu yaklaşımın ölçeklendirilmesi zordur ve analizde darboğazlar oluşturur. Analizde insan öznelliğini azaltan yöntemler, akış sitometresi alanında bir sonraki yenilik dalgası olarak görülmektedir.
Data Analysis and Interpretation Challenges
In a survey of flow cytometrists exploring themes in multicolor flow cytometry, over half of the respondents cited challenges in both data analysis and interpretation. Most scientists using flow cytometry in their research approach are using the analysis software readily available, much of which has not been developed to meet the increasing demands of multicolor flow cytometry data sets.
In A chromatic explosion: the development and future of multiparameter flow cytometry the authors describe that the least developed flow cytometry technology has been data analysis.3 And this is where the most potential and greatest need exists to continue to advance the field.
Figure 2. Multicolor Flow Cytometry Survey. In a user survey conducted in December 2019, 581 flow cytometry researchers answered topics related to data analysis. Panel A shows the proportion of respondents who indicated data analysis or interpretation of results were challenges in their multicolor flow cytometry experiments. Panel B indicates the experience level with machine learning assisted analysis, 49% of respondents are using or planning to use ML-assisted analysis in their multicolor flow cytometry experiments.
The Cytobank platform provides an approachable and comprehensive data analysis workflow. Analyses are conducted in the cloud using any web-enabled device and includes the use of built-in algorithms, no coding or R scripting required. A Learning Center with videos and step-by-step instructions help users get started on the platform, and an online knowledge repository includes articles, tips-and-tricks as well as a support request form for responding to questions.
Resources for Data Analysis
Video Overview of Cytobank Platform
References
- Maecker HT, Rinfret A, D'Souza P, Darden J, Roig E, Landry C, et al. Standardization of cytokine flow cytometry assays. BMC Immunol 2005 Jun 24;6:13.
- Finak, Greg et al. “Standardizing Flow Cytometry Immunophenotyping Analysis from the Human ImmunoPhenotyping Consortium.” Scientific reports vol. 6 20686. 10 Feb. 2016, doi:10.1038/srep20686
- Chattopadhyay PK, Hogerkorp CM, Roederer M. A chromatic explosion: the development and future of multiparameter flow cytometry. Immunology. 2008;125(4):441–449. doi:10.1111/j.1365-2567.2008.02989.x
