Enhancements in mass cytometry for multiplexing samples and increasing cell detection rate (TECH3P.938)
Notice bibliographique
Résumé
Abstract Mass Cytometry uniquely enables high dimensional single cell proteomic analysis for systems-level discovery and comprehensive functional profiling applications. At the core of the technology are the ICP ion source and a fast elemental analyzer designed for metal-conjugated affinity reagents. We show how recent advancements in reagents, sample introduction system and the ion source have simplified data acquisition and improved data quality with the mass cytometry platform. Up to 20 samples from an experiment are barcoded with palladium-based cell tagging reagents, combined into one tube, and stained and run as one sample. This multiplexing improves data quality by eliminating sample-to-sample staining and running variation, increases experimental throughput by reducing the number of tubes that need to be processed and run, and reduces reagent consumption. Since each barcode consists of a unique set of 3 Pd isotopes, the de-barcoding algorithm also filters out most doublets (with more than 3 isotopes). The multiplexed sample is run on the CyTOF using the novel large volume sample introduction system. We will discuss results of modifications to the sample introduction system and the inductively coupled plasma ion source, which enable analysis of large samples at high cell detection rate. Examples of barcoded PBMCs from multiple donors, stained with high dimensional antibody panels that combine deep phenotyping with multiple cytokine or signaling targets will be demonstrated.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».