MétaCan
Menu
← Retour à la cohorte
Enregistrement W2636894782 · doi:10.4049/jimmunol.198.supp.213.8

A simple and integrated workflow for deep proteomic and transcriptomic analysis of sorted cell populations

2017· article· en· W2636894782 sur OpenAlexaff
Douglas Hinerfeld, Kit Fuhrman, Gokhan Demirkan, Gary DosSantos, Gary Geiss

Notice bibliographique

RevueThe Journal of Immunology · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensReach Technologies (Canada)
Organismes subventionnairesnon disponible
Mots-clésMass cytometryImmune systemComputational biologyBiologyCD19Cell sortingPopulationCellFlow cytometryMolecular biologyImmunologyGeneMedicineGenetics

Résumé

récupéré en direct d'OpenAlex

Abstract In addition to the long standing efforts to understand and manipulate the immune system in the treatment of autoimmune diseases, the immune system is increasingly becoming a direct target for cancer therapeutics. Recent advances in flow and mass cytometry have greatly expanded the number of immune cell parameters that can be interrogated resulting in an improved understanding of the immune system heterogeneity. These technologies, however, remain limited in the number and types of analytes that can be examined in a single clinical sample. The NanoString nCounter® platform enables the highly multiplexed digital analysis of both RNA and protein from a single biological specimen for multiple research applications. We have recently developed the nCounter® Vantage 3D™ RNA:Protein Immune Cell Profiling Assay for research applications, which interrogates 30 cell surface proteins and 770 immune-related RNAs starting with cells in suspension. Expanding on this, we demonstrate the development of a streamlined workflow that integrates standard immune cell sorting with downstream nCounter® analysis. By co-staining PBMCs with both fluorescently-labeled and DNA barcoded antibodies, CD8+ and CD4+ T cells and CD19+ B cells were isolated followed by analysis of dozens of additional proteins and 770 RNA from each sorted population. Demonstrating the value of this workflow in analyzing potentially rare cell populations, the number of target cells were titrated to determine the sensitivity of the workflow. Without the requirement for additional molecular biology methods, such as RNA purification or sequencing library construction, this method is ideally suited for incorporation into any cell sorting workflow.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,009

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,287
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Immunology→Même sujetAdvanced biosensing and bioanalysis techniques→Travaux en français237 207→