Shared resource lab ( <scp>SRL</scp> ) strategies for supporting high‐dimensional cytometry data analysis
Notice bibliographique
Résumé
With the increase in the number of parameters that can be detected at the single-cell level using flow and mass cytometry, there has been a paradigm shift when handling and analyzing data sets. Cytometry Shared Resource Laboratories (SRLs) already take on the responsibility of ensuring users have resources and training in experimental design and operation of instruments to promote high-quality data acquisition. However, the role of SRLs downstream, during data handling and analysis, is not as well defined and agreed upon. Best practices dictate a central role for SRLs in this process as they are in a pivotal position to support research in this context, but key considerations about how to effectively fill this role need to be addressed. Two surveys and one workshop at CYTO 2022 in Philadelphia, PA, were performed to gain insight into what strategies SRLs are successfully employing to support high-dimensional data analysis and where SRLs and their users see limitations and long-term challenges in this area. Recommendations for high-dimensional data analysis support provided by SRLs will be offered and discussed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,095 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,015 | 0,015 |
| Science ouverte | 0,011 | 0,023 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,064 |
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 source (Gemma direct ou Codex distillé), 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 ».