Préface
Les progrès technologiques en cytométrie ont considérablement élargi le spectre des marqueurs disponibles, permettant l’identification et la caractérisation d’un large éventail de populations et d’états cellulaires. Ces progrès ont facilité l’analyse d’échantillons de taille variable tout en garantissant des procédures normalisées.
La cytométrie permet désormais de mesurer un large éventail de marqueurs sur chaque cellule dans le cadre d’expériences pouvant porter sur des dizaines ou des centaines d’échantillons, chacun contenant environ un million de cellules. Pour gérer ces grands volumes de données, des méthodes établies telles que la réduction de dimension et le regroupement ont été développées. Les techniques de réduction des dimensions créent une carte bidimensionnelle qui synthétise de manière optimale les informations provenant de plusieurs marqueurs, tandis que le regroupement organise efficacement les cellules en groupes distincts. Ces méthodes sont essentielles pour l’analyse précise et la quantification des populations de cellules, y compris l’abondance et l’intensité médiane de chaque marqueur.
Les informations tirées de ces analyses sont essentielles pour comparer différentes conditions expérimentales ou cliniques et pour identifier les groupes qui présentent des variations significatives. Cependant, les méthodes d’identification actuelles sont souvent limitées, car elles reposent sur des logiciels statistiques qui ne se prêtent pas à l’automatisation. Cette limitation complique la génération d’une liste de clusters candidats, en particulier lorsqu’il s’agit d’établir un score qui combine de manière optimale plusieurs éléments d’information.
Face à ces défis, l’analyse post-clustering avec analycyte devient un outil puissant pour les cytométristes, leur permettant de travailler de manière autonome et efficace. En fournissant des rapports standardisés adaptés à des comparaisons spécifiques, les cytométristes peuvent gérer leurs analyses de manière indépendante, ce qui favorise une meilleure compréhension de leurs données.
À mesure que nous évoluons vers des ensembles de données plus complexes et de haute dimension, la capacité d’interpréter et de comparer les résultats de manière cohérente devient de plus en plus critique. La normalisation ouvre la voie au développement de nouveaux outils informatiques et de méthodes d’analyse automatisées, capables de gérer la complexité des données cytométriques modernes tout en maintenant la qualité et la fiabilité des résultats.
Development Background
L’application web analycyte a été développée par la plateforme CiBi du Centre de Recherche en Cancérologie de Marseille (CRCM).
Nous adressons nos sincères remerciements à l’Institut Français de Bioinformatique (IFB) pour avoir fourni les solutions de déploiement qui ont joué un rôle déterminant dans le lancement et l’exploitation réussis de notre travail.
Conventions utilisées dans ce livre
Pour faire des commentaires ou poser des questions techniques sur ce livre, veuillez envoyer un courrier à la Plate-forme CRCM CiBi.
Remerciements
Merci à la plateforme de cytométrie du CRCM, aux cytométristes qui ont testé l’application et pour leurs commentaires.
Merci à la bibliothèque projects
Krieger, Perzynski, et Dalton (2021) . Github
Merci au paquet de modules R shiny datamods
de dreamRs Perrier et al. (2024) . Github
Contact
Eugénie Lohmann IE CiBi Platform
Samuel Granjeaud IR PhD. Plate-forme CiBi