Citizen science gamers enable automated flow cytometry gating through machine learning
Notice bibliographique
Résumé
Abstract Manual flow cytometry gating requires up to one hour per sample with 32% inter-expert variability, creating critical bottlenecks in immunological research reproducibility. To address this, we developed flowMagic, a machine learning algorithm for automated gating that is trained on both expert-curated data (template data) and crowdsourced annotations from citizen science gaming. Through EVE Online , 839,199 players analyzed 52,178 bivariate plots from 37 studies, generating 31,703 quality-controlled training plots. Evaluated against 92,203 expert-validated files spanning 79 immune populations (i.e., a biologically defined cell subset within each bivariate plot), flowMagic achieved 90% accuracy for abundant populations and 65% for rare populations, outperforming existing methods. The algorithm reproduced biological patterns including neutrophil dynamics in COVID-19 patients and immune development in newborns. This gaming-based approach demonstrates that crowd-sourced pattern recognition generates robust training data for complex biomedical applications, offering transformative potential for standardizing flow cytometry analysis and accelerating immunological discovery.
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 | 0,017 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».