MétaCan
Menu
Retour à la cohorte
Enregistrement W2762649299 · doi:10.14806/ej.23.0.892

PolarFCS: A Multi-Parametric Data Visualisation Aid for Flow Cytometry Assessment

2017· article· en· W2762649299 sur OpenAlexaff
Pavandeep Gill, Joanne Luider, Etienne Mahé

Notice bibliographique

RevueEMBnet journal · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPlot (graphics)Computer scienceVisualizationParametric statisticsData miningSoftwareScatter plotData setSet (abstract data type)Data visualizationWorkflowPopulationArtificial intelligenceMachine learningStatisticsDatabaseMathematics

Résumé

récupéré en direct d'OpenAlex

Currently available Flow-Cytometry Software (FCS) analysis platforms are computationally efficient and user-friendly, but may lack the functionality of single-plot, multi-parametric data visualisation. Methods to overcome this include gating techniques and/or dimensionality reduction. However, these strategies make Flow-Cytometry (FC) data analysis more time- and labour-intensive; profound errors can also result from incorrect FCS use. We have developed PolarFCS, a software tool capable of single-plot, multi-parametric data visualisation. Unlike traditional clinical FC plots, which typically operate directly on a data-set to produce single-parameter FC histograms or two-parameter orthogonal scatter plots, PolarFCS operates on the flow-parameter calculated centre of mass of each event in the data-set, and presents these as a dot-plot. We compare PolarFCS to our traditional clinical FCS workflow, using a selection of clinical plasma cell FC data. Multiple flow plots and gating strategies are required in the traditional software to isolate neoplastic populations. In PolarFCS, however, positional re-arrangement and scaling of the poles can be used to quickly isolate a population of interest. We also compare both approaches in a case of Minimal Residual Disease (MRD) assessment, and again, the versatility of the polar adjustment and parameter scaling allowable with PolarFCS is demonstrated. PolarFCS employs strategies that allow more accurate, standardised and detailed FC data analysis compared to traditional FCS platforms. Visualisation of multiple parameters in a single plot is an effective and invaluable feature that many other platforms currently do not offer. Availability: PolarFCS can be downloaded at https://github.com/etiennemahe/PolarFCS

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)0,004
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Logiciel · Signal consensuel: aucune
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,151

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,012
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0450,009

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 Opus0,134
Tête enseignante GPT0,412
Écart entre enseignants0,278 · 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'étudeSans objet
Domainenon disponible
GenreLogiciel

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

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEMBnet journalMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207