Développement d'un pipeline automatisé d'analyse de données de cytométrie de masse pour l'identification de populations immunitaires - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2019

Development of an automated mass cytometry data analysis pipeline for immune population identification

Développement d'un pipeline automatisé d'analyse de données de cytométrie de masse pour l'identification de populations immunitaires

Juliette Maes
  • Fonction : Auteur

Résumé

Until recently, flow cytometry has been the most widely used method to study immune cells phenotype. Mass cytometry is a new promising technology which enables the measurement of over forty markers per cell simultaneously with a higher resolution. However, the increase in the number of features entails the need of new analysis methods. Indeed, manual analysis is very fastidious, time-consuming and analyst-dependant. In this article, we present a pipeline for automated, fast and objective mass cytometry data analysis. It is divided into four parts: raw data pre-processing, quality control, identification of immune subpopulations, and their visualizations. Two different approaches for cell-type identification are available. They can be used alone or in parallel to compare the results. The first one is a supervised method based on the OpenCyto framework. It consists in the automation of manual gating usually conducted for flow cytometry data. The second one uses FlowSOM and Consensus Clustering, two unsupervised embedding algorithms, in order to cluster cell into different populations. Afterward, identified populations can be displayed through the dimension reduction algorithm UMAP. In the near future, a graphical user interface will be developed with R Shiny in order to facilitate the access and the implementation of the pipeline.
La cytométrie en flux a été pendant longtemps la méthode de choix pour étudier le phénotype des cellules immunitaires. Aujourd’hui, la nouvelle technologie de cytométrie de masse offre une alternative puissante car elle permet de mesurer l’expression de trois fois plus de marqueurs simultanément à plus haute résolution. En augmentant le nombre de marqueurs mesurés par cellules, l’analyse manuelle des données est devenue de plus en plus fastidieuse en plus d’être dépendante de l’analyste. Dans cet article est présenté un pipeline d’analyse automatisé, rapide et objectif, développé pour les données de grandes dimensions de cytométrie de masse. Il se divise en plusieurs parties : le nettoyage des données brutes, le contrôle qualité, l’identification de sous-populations immunitaires présentes et leur visualisation. Deux approches différentes sont proposées pour l’identification des types-cellulaires et peuvent être utilisées seules ou en parallèle. La première est une méthode supervisée de gating semi-automatique basée sur l’environnement OpenCyto. La seconde utilise les algorithmes de clustering non supervisés FlowSOM et Consensus Clustering pour partitionner des cellules en différentes populations. Celles-ci sont ensuite visualisées grâce à l’algorithme de réduction de dimension UMAP. Ce pipeline implémenté sur R sera bientôt complété d'une interface graphique R Shiny pour faciliter son utilisation.
Fichier principal
Vignette du fichier
2019_Maes_Juliette_BMC.pdf (1.28 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

dumas-02369998 , version 1 (19-11-2019)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : dumas-02369998 , version 1

Citer

Juliette Maes. Développement d'un pipeline automatisé d'analyse de données de cytométrie de masse pour l'identification de populations immunitaires. Sciences du Vivant [q-bio]. 2019. ⟨dumas-02369998⟩
88 Consultations
827 Téléchargements

Partager

Gmail Facebook X LinkedIn More