Сортировка и автоматическая маркировка кластеров клеток может быть усилена алгоритмом, разработанным исследователями A * STAR. Алгоритм облегчает анализ данных по методу, известному как цитометрия, который эффективно сортирует и маркирует ячейки для использования в исследованиях.

На фото: Hypergate позволяет пользователям сортировать и маркировать различные подмножества клеток в своем образце. Фото: A* TAR Singapore Immunology Network.

Анализ данных цитометрии обычно опирается на односетевой процесс, который отделяет нерелевантные клетки от интересующих групп населения в соответствии с набором четко определенных параметров. В этом процессе отбора ячейки последовательно делятся на подмножества в зависимости от наличия или отсутствия флуоресцентных маркеров. По мере увеличения количества измеряемых параметров увеличивается сложность процесса, что приводит к экспоненциальному экспоненциальному умножению подмножеств. Такие методы, как уменьшение размерности и кластерный анализ, были разработаны для высоких измерений, но часто не позволяют четко описать отличительные характеристики в отдельных ячейках, что является проблематичным для новых и слабо определенных подмножеств.

Чтобы решить эту проблему, Этьен Бехт, Эван Ньюэлл и его коллеги из Сингапурской Иммунологической Сети A*STAR создали алгоритм, называемый Hypergate, который генерирует стратегию, которая может разделять ячейки и описывать полученные кластеры кратко и точно. «Подобно решению куба Рубика, алгоритм содержит итерационный процесс, в котором индивидуальные пороговые значения параметров корректируются до тех пор, пока не будет достигнут состав, представляющий среднее значение чистоты и урожайности», — говорит Ньюэлл.

Hypergate оптимизирует размер прямоугольника с высоким размером, чтобы наилучшим образом инкапсулировать кластер целевых ячеек. Он сначала включает все ячейки в прямоугольнике и изменяет границы через последовательные фазы сжатия и расширения. Контракции исключают клетки для повышения чистоты, но также могут снизить урожайность, а экспансии увеличивают выход, но иногда за счет чистоты. «Решение этой проблемы путем тестирования всех возможных пороговых значений было бы слишком дорогостоящим и неуправляемым с текущих компьютеров», — говорит Ньюэлл.

Согласно Ньюэлл, полученные стратегии стробирования могут обеспечить глубокое понимание истинного значения каждой клеточной популяции. Исследователи обнаружили, что эти стратегии дали разные клеточные популяции от тех, которые были получены традиционными стробирующими подходами. Они оценили способность сортировки Hypergate использовать врожденные лимфоидные клетки, семейство иммунных клеток, число подмножеств которых неизвестно. Алгоритм идентифицировал два кластера клеток с большей чистотой и выходом, чем существующие подходы. Он также обозначил 24 ячейки кластеров в соответствии с предыдущими описаниями и часто с повышенной точностью.

Команда Newell полагает, что Hypergate может способствовать проточной цитометрии и другим высокоразмерным методам профилирования клеток, особенно для выделения труднодоступных популяций клеток. «В будущем это может быть достигнуто в реальном времени с помощью проточной цитометрии», — говорит он.

По материалам phys.org