Revealing the diversity of extracellular vesicles using high-dimensional flow cytometry analyses
Notice bibliographique
Résumé
Extracellular vesicles (EV) are small membrane vesicles produced by cells upon activation and apoptosis. EVs are heterogeneous according to their origin, mode of release, membrane composition, organelle and biochemical content, and other factors. Whereas it is apparent that EVs are implicated in intercellular communication, they can also be used as biomarkers. Continuous improvements in pre-analytical parameters and flow cytometry permit more efficient assessment of EVs; however, methods to more objectively distinguish EVs from cells and background, and to interpret multiple single-EV parameters are lacking. We used spanning-tree progression analysis of density-normalized events (SPADE) as a computational approach for the organization of EV subpopulations released by platelets and erythrocytes. SPADE distinguished EVs, and logically organized EVs detected by high-sensitivity flow cytofluorometry based on size estimation, granularity, mitochondrial content, and phosphatidylserine and protein receptor surface expression. Plasma EVs were organized by hierarchy, permitting appreciation of their heterogeneity. Furthermore, SPADE was used to analyze EVs present in the synovial fluid of patients with inflammatory arthritis. Its algorithm efficiently revealed subtypes of arthritic patients based on EV heterogeneity patterns. Our study reveals that computational algorithms are useful for the analysis of high-dimensional single EV data, thereby facilitating comprehension of EV functions and biomarker development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».