使用FlowSOM优化稳定集群的参数:来自CyTOF的案例研究
Weiyang Tao1, Anirban Sinha1, Khadir Raddassi1
1Immunology Discovery Research, AbbVie Cambridge Research Center, Cambridge, MA, United States.
Frontiers in immunology
|October 24, 2024
概括
对FlowSOM包的关键修改改进了使用CyTOF的高维细胞表型化. 优化的参数使复杂的免疫细胞数据可靠地用于疾病研究的分析.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 使用CyTOF进行高维细胞表型鉴定对于了解健康和疾病至关重要.
- 分析复杂的CyTOF数据需要先进的计算方法,例如用于自动化门的机器学习.
研究的目的:
- 对基于机器学习的FlowSOM包进行批判性修改和优化,以实现可靠的CyTOF数据分析.
- 为了解决错误,并提高FlowSOM管道的大数据集的可扩展性.
主要方法:
- 修改了FlowSOM包,以修复现有的错误并提高可扩展性.
- 执行精确的参数优化,以评估其对集群结果的影响.
- 在大型外部免疫学数据集上验证了增强的FlowSOM管道.
主要成果:
- 关键修改和参数优化显著提高了CyTOF数据分析的可靠性.
- 确定了影响FlowSOM集群结果的关键参数.
- 证明了数据特定参数调整对于准确的免疫细胞群体定义的必要性.
结论:
- 修改后的FlowSOM管道提供了一种可靠的方法,用于使用CyTOF进行高维细胞表型化.
- 量身定制的参数优化对于在免疫疾病中询问免疫细胞群体至关重要.
- 这项工作增强了CyTOF在免疫学研究和疾病研究中的实用性.


