Novas tecnologias de análise de células únicas, como single cell RNA-sequencing e citometria high-dimensional, possuem a capacidade de fornecer insights sobre a heterogeneidade de populações celulares e determinar trajetórias de desenvolvimento e ativação celular. Isso é possível, pois a citometria de fluxo de espectro completo e citometria de massa aumentaram o número de parâmetros que podem ser analisados, sendo possível adquirir mais informações concomitantemente de uma célula única.
Como estas novas tecnologias aumentaram imensamente a quantidade de dados a serem analisados. Muitas vezes análises convencionais de estratégia de gating não são as mais precisas ou apropriadas para explorar todo o potencial destes dados. Desta forma, as análises utilizando algoritmos de redução de dimensionalidade estão sendo comumente utilizadas para visualizar a heterogeneidade dos subtipos celulares de um conjunto de dados. Estes algorítimos, como T-distributed stochastic neighbor embedding (tSNE) ou uniform manifold approximation and projection (UMAP), resumidamente transformam dados com muitos parâmetros (higher- dimensional data) em um dado com menos parâmetros, mas mantendo todas as informações adquiridas inicialmente (lower-dimensional data).
Em uma explicação mais didática, os algorítimos de redução de dimensionalidade irão transformar as informações de 40 parâmetros analisados em um painel de citometria para somente 2 parâmetros, mas mantendo todas as informações dos 40 parâmetros. Assim em um gráfico bivariado serão consideradas todas as 40 informações e as células serão categorizadas por similaridade e discrepância. Desta forma, é possível observar conjunto de células similares formando populações e populações diferentes separadas umas das outras (Figura 1). Além disso, estas análises são não supervisionadas, o que pode reduzir vieses em relação a análise supervisionada convencional.
Figura 1
Possuímos o serviço de análise de dados!
Bibliografia:
Comments