Quantification and analysis of multiplexed fluorescence in situ hybridization data using open-source tools
Notice bibliographique
Résumé
Here, we present a protocol to quantify and analyze multiplexed fluorescence in situ hybridization (mFISH) data using two open-source tools, FijiFISH and RUHi. FijiFISH, an ImageJ-based plugin, enables image registration, cell segmentation, and gene expression quantification. RUHi, an R-based package, supports dimensionality reduction, clustering, and visualization through both code and a Shiny app. The protocol also accommodates experimentally induced exogenous fluorophores, providing multimodal, single-cell resolution insights into spatial gene expression. For complete details on the use and execution of this protocol, please refer to Sullivan et al. 1 • Steps for mFISH image registration, segmentation, and quantification with FijiFISH • Instructions for dimensionality reduction and clustering using RUHi and Shiny app • Guidance for visualization and interpretation of mFISH data Publisher’s note: Undertaking any experimental protocol requires adherence to local institutional guidelines for laboratory safety and ethics. Here, we present a protocol to quantify and analyze multiplexed fluorescence in situ hybridization (mFISH) data using two open-source tools, FijiFISH and RUHi. FijiFISH, an ImageJ-based plugin, enables image registration, cell segmentation, and gene expression quantification. RUHi, an R-based package, supports dimensionality reduction, clustering, and visualization through both code and a Shiny app. The protocol also accommodates experimentally induced exogenous fluorophores, providing multimodal, single-cell resolution insights into spatial gene expression.
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 | 0,000 | 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 ».