Makine Öğrenimi yaklaşımları, karmaşık immünofenotipleme verilerinin derinlemesine analizi ve numune gruplarının ve koşulların tarafsız değerlendirmesi için bir gereklilik haline gelmiştir. Araştırmacıların genellikle yeni araçları öğrenmesi ve içgörüler oluşturmak için farklı platformlardan elde edilen sonuçları manuel olarak birleştirmesi gerekir.

Kaluza Cytobank Eklentisi’nin* kullanılması, Kaluza Analysis Yazılımı tarafından desteklenen sezgisel telafi ayarlamalarından ve Cytobank platformuna entegre edilen makine öğrenimi algoritmalarından yararlanarak, kullanıcının telafi edilmiş, dönüştürülmüş ve anonimleştirilmiş veri kümelerini Kaluza masaüstü yazılımından Cytobank bulut platformuna* taşımasına olanak tanır. Her iki paketi birleştirmek, kullanıcıya geniş bir özellik ve işlevsellik yelpazesinden seçim yapma ve analiz veri hattını araştırma ihtiyaçlarına uyacak şekilde özelleştirme esnekliği sunar. Kaluza ve Cytobank platformu birlikte kullanıldığında, kullanımı kolay bir uçtan uca veri analizi ve yönetim çözümü sunar.

Kaluza Cytobank Eklentisini Kaluza Downloads (Kaluza İndirmeleri) sayfasından indirin.

Adım adım talimatlar için Öğrenim Merkezinde Kaluza’nın Birleştirilmiş Gücünden ve Cytobank Platformundan Yararlanma kısmına başvurun.

Kaluza Cytobank eklentisi, sezgisel ölçek ayarlamaları, kolay telafi düzeltmeleri ve bir geçit oluşturma stratejisinin Cytobank platformu tarafından sunulan gelişmiş algoritmalar ve veri yönetimi ile hızlı bir şekilde geliştirilmesine olanak tanıyan Kaluza özelliklerinin birleştirilmesini sağlar.

Farklı veri görselleştirme araçları, düşük ve orta karmaşıklıktaki verilerin keşfedilmesini destekler. Kaluza Analysis, gerçek zamanlı veri keşif araçlarına ek olarak özel bir modülle cihaz ve test KK izlemesi özelliği sunar. Veri raporlama ve toplu analiz işlevleri, özet sonuçların hızlı bir şekilde oluşturulmasını sağlar.

Cytobank yazılımı, entegre makine öğrenimine dayalı analiz algoritmalarının yanı sıra akış sitometresi ve diğer tek hücreli veriler için yapılandırılmış ve güvenli bir içerik yönetim sistemine sahip bulut tabanlı bir analiz platformudur.

Cytobank’ın kümeleme, boyut azaltma ve görselleştirme araçları (SPADE, viSNE, CITRUS, FlowSOM) büyük analizlerin hızlı bir şekilde yapılmasına olanak tanıyarak bulutun ölçeklenebilir bilgi işlem ve iş birlikçi gücünden yararlanır ve bulut tabanlı depolama bu verileri otomatik olarak arşivleme ve kolayca güvenli ve güvenilir bir şekilde paylaşma olanağı sağlar¹. 

Çok boyutlu akış sitometresi verilerinin analizi birkaç aşamada yapılır². Veri KK ve temizliğinin erken aşamalarında hesaplama performansı için daha düşük gereklilikler vardır ve bunlar kendi dizüstü bilgisayarınızda veya PC'nizde gerçekleştirilebilir. Daha sonra telafi ayarlaması, veri dönüşümü ve alt küme tanımlamasının ardından keşif ve kümeleme yapılır.

Keşif aşaması, numunelerdeki tüm hücrelere genel bir bakış sağlar. Düşük ve orta karmaşıklıkta işaretleyici paneller için, Radar Diyagramları ve Ağaç Diyagramları gibi araçlarla desteklenen iki parametreli diyagramlar yeterli olabilir. Yüksek boyutlu veriler için, viSNE gibi boyut azaltma teknikleri, tüm parametrelerden alınan bilgilerin iki boyutlu bir sunum ile özetlenmesini sağlar⁴.

CD4+ ve CD8+ T hücre alt kümelerinde T hücresi bellek işaretleyici ekspresyonunun farklı görselleştirmeleri. Diyagramlar yalnızca gösterim amaçlıdır, Kaluza Ağaç Diyagramı (panel A), Kaluza Radar Diyagramı (panel B) ve Cytobank viSNE (panel C). Veriler, bir CytoFLEX LX sitometresinde * (Parça Numarası C40324) edinilen ve Kaluza Analysis Yazılımı * ve Cytobank Platform * kullanılarak analiz edilen DURAClone IM T Hücre Alt Kümeleri Tüpü * (Parça Numarası B53328) ile boyanmış normal bir tam kan örneği kullanılarak oluşturulmuştur.

Veri analizinin bir sonraki aşamasında, FlowSOM ve SPADE gibi kümeleme algoritmaları, benzer fenotipteki hücreleri tarafsız bir şekilde otomatik olarak tanımlamak için kullanılabilir ^5,6.

Burada gösterilenler, T hücresi ve T hücresi bellek işaretleyici ekspresyonuna dayalı kümeleme yöntemlerinden farklıdır. Diyagramlar yalnızca gösterim amaçlıdır. Cytobank FlowSOM kanalı renklendirilmiş Minimum Yayılım Ağacı (panel A), Cytobank SPADE Minimum Yayılım Ağacı (panel B). Veriler, bir CytoFLEX LX sitometresinde * (Parça Numarası C40324) edinilen ve Kaluza Analysis Yazılımı * ve Cytobank Platform * kullanılarak analiz edilen DURAClone IM T Hücre Alt Kümeleri Tüpü * (Parça Numarası B53328) ile boyanmış normal bir tam kan örneği kullanılarak oluşturulmuştur.

Bu sonraki analiz aşamaları, bulut bilişimden faydalanarak yerel ekipmanların boş kalmasını sağlar ve paralel algoritma çalıştırmalarına olanak tanır. Masaüstü yazılımı kullanarak viSNE, SPADE ve FlowSOM hesaplamaları yapmak mümkün olsa da, bilgisayar bu süre zarfında başka görevler için kullanılamaz. Ayrıca, algoritma ayarlarının optimizasyonunu yavaşlatarak tek seferde yalnızca bir çalışma gerçekleştirilebilir. Bulut tabanlı veri analizi bu sınırlamalardan etkilenmez.

Masaüstü tabanlı gerçek zamanlı veri etkileşiminin rahatlığını güçlü bulut tabanlı makine öğrenimi araçlarıyla birleştirmek için, sorunsuz veri aktarımı sağlayan bir çözüm gereklidir. Kaluza Cytobank Eklentisi, araştırmacıların Kaluza’nın yenilikçi kullanıcı arayüzünü ve gerçek zamanlı geri bildirimi kullanarak verilerini telafi etmesini ve dönüştürmesini sağlayarak ve verileri doğrudan Cytobank hesaplarına yükleyerek bu boşluğu kapatır.

Referanslar

1. Kotecha, N., Krutzik, P. O. & Irish, J. M. Web-Based Analysis and Publication of Flow Cytometry Experiments. [Web Tabanlı Analiz ve Akış Sitometre Deneylerinin Yayınlanması] Current Protocols in Cytometry 2010:53, 10.17.1-10.17.24.


2. Rahim, A. et al. High throughput automated analysis of big flow cytometry data. [Büyük akış sitometresi verilerinin yüksek verimli otomatik analizi] Methods 2018:134–135, 164–176.


3. Mair, F. et al. The end of gating? An introduction to automated analysis of high dimensional cytometry data: Highlights [[Geçitlemenin sonu mu? Yüksek boyutlu sitometre verilerinin otomatik analizine giriş: Öne çıkanlar] European Journal of Immunology 2016:46, 34–43.


4. Amir ED, et al. viSNE enables visualization of high dimensional single-cell data and reveals phenotypic heterogeneity of leukemia. [ViSNE, yüksek boyutlu tek hücreli verilerin görüntülenmesini sağlar ve löseminin fenotipik heterojenliğini ortaya çıkarır.] Nature Biotechnology 2013:31, 545–552.


5. Qiu, P. et al. Extracting a cellular hierarchy from high-dimensional cytometry data with SPADE. [SPADE ile yüksek boyutlu sitometre verilerinden hücresel hiyerarşi çıkarma.] Nature Biotechnology 2011:29, 886–891.


6. Van Gassen, S. et al. FlowSOM: Using self-organizing maps for visualization and interpretation of cytometry data: FlowSOM. [Sitometre verilerinin görselleştirilmesi ve yorumlanması için kendi kendini düzenleyen haritaların kullanılması: FlowSOM] Cytometry 2015:87, 636–645.

* Yalnızca Araştırma Amaçlı Kullanım İçindir. Tanılama prosedürlerinde kullanmak için uygun değildir.